随着人工智能的快速发展,手势识别作为新一代的人机交互技术得到了广泛关注。传统的基于可穿戴设备的手势识别技术需要使用者佩戴专有设备,无法在电量较低时使用并且容易造成用户的不便;基于计算机视觉的手势识别技术依赖于高分辨的视频或图像,无法在浓烟、黑暗条件下使用;射频中,专有设备的手势识别技术由于设备庞大且昂贵从而限制手势识别的推广,但商用Wi-Fi信号的手势识别技术无需额外的设备以及光照的条件,具有低开销、易部署等优点,易于推广。现有基于Wi-Fi信号的手势识别技术具有以下特点:一、缺乏成熟的手势检测提取方法。手势检测提取是进行手势识别的基础,对分类结果具有较大影响,而目前采用的手势检测提取算法不适用于实际环境;二、特征类型较单一。现有手势识别算法大部分仅仅只考虑时域特征或者频域特征;三、在训练时间成本开销和分类精度之间难以达到平衡。根据以上特点,本文基于Wi-Fi信号开展了手势检测提取与识别技术的研究,主要研究内容如下:第一,研究手势行为检测与提取算法。借鉴入侵检测原理,首先,利用核密度估计方法估计静默状态下的概率密度函数,求取初始检测门限;此外,通过加入在线阶段监测的静默数据,完成检测门限值的实时更新;最后结合缓存窗口的方法对手势行为进行提取。在室外空旷环境和室内多径环境下对算法进行实测验证分析,结果表明该算法可有效的提高检测率和完成手势行为的提取。第二,对单个手势行为进行特征提取构建特征向量矩阵。针对特征类型较单一的问题,联合均值、四分位距、自相关系数等时域变化特征和频谱熵、谱能量等频域变化特征共同刻画手势行为。同时,为避免特征范围不一致造成识别率低的问题,利用零均值标准化方法对所有特征进行归一化。第三,研究手势识别算法。以支持向量机分类算法为基础,结合粒子群算法研究一种基于改进粒子群算法的支持向量机分类方法。在室外空旷环境和室内多径环境下进行实测分析,结果表明该算法在平衡全局搜索和局部搜索的同时能快速收敛到全局最优的位置,并且有效提高了手势行为的识别率。