随着物联网(Internet of Things,IoT)技术和人工智能的不断发展,基于WiFi信号的动态手势识别技术有望提供一种全新的人机交互(Human-Computer Interaction,HCI)方式。近年来利用信道状态信息(Channel State Information,CSI)的手势识别系统虽然己取得巨大进展,但CSI不能通过市面上绝大多数商用网卡直接提取,而易获取的接收信号强度指示(Received Signal Strength Indication,RSSI)在目前研究中还只能识别比较简单的手势动作如手的上下挥动。为了提高系统对手势的识别能力上限,本文从多个独立的物联网WiFi节点中提取瞬时接收信号强度(Instantaneous Received Signal Strength,IRSS)信息,使系统能识别7种复杂的动态手势。为了实现手势的自动检测,本文通过分析手势对信道影响的原理,提出了完整的手势自动检测算法,并特别设计了误触发检测算法,能有效消除手势的误触发问题,使得系统的手势检测准确率能达到91.38%。系统通过状态跳转识别手势的开始和结束,结合线性缩放处理,从而能对用户不同的手势速度进行适应。最后,为了进一步提高系统的识别率,本文就手势检测模块得到的手势分段起点与终点的平移误差问题进行了详细的分析,提出了基于一维卷积神经网络(One-Dimensional Convolutional Neural Network,1D-CNN)的识别架构以及手势截取加长和手势截取平移两种数据采集策略。一维卷积神经网络架构能有效发挥卷积神经网络的平移不变检测原理,消除自动分段误差造成的影响,而两种数据采集策略能在数据采集阶段采集到信息更加丰富的样本,进一步提高系统的整体性能。通过实验验证,该算法的平均识别准确率高达93.03%,优于其他传统的机器学习算法。