无线网络现已广泛存在于人们的日常生活中,研究人员开始研究如何利用常见的无线网络实现对环境中人体活动的感知。基于Wi Fi信号中信道状态信息（CSI）的细粒度手势识别研究开始兴起,涌现了很多新技术,然而现有工作仍面临一些挑战,具体表现有:CSI数据缺乏多样性、细粒度的时空特征模型研究不足、相似手势分类效果差。本文结合CSI数据的特性,将从数据增强算法、深度时空特征提取模型构建、构建相似手势的预训练模型三个方面展开研究,具体研究内容如下:基于深度生成对抗网络的数据增强算法研究。有研究通过引入深度生成对抗网络（GAN）在不增加数据采集成本的条件下,扩展了数据的容量与样本多样性,但目前大多基于生成对抗网络的CSI数据增强任务中,研究人员未考虑CSI数据子载波间的相关性,导致了生成网络在CSI生成过程中出现子载波间的错乱。当有手势动作对无线信号产生影响时,CSI数据中的多个子载波的数据分布改变是相似的。本课题结合子载波相关性这一特性,改进了生成对抗网络的目标函数,使得生成网络在数据生成时会充分考虑子载波间关系,更稳定的生成多样性的CSI样本。基于CNN-MHSA的时空关键特征提取模型研究。手势动作具有特定的时空特性,现有的长短期记忆神经网络（LSTM）与卷积神经网络（CNN）的组合模型仅能粗粒度提取CSI数据的时空特征。本课题使用改进的多头自注意力模型（MHSA）与CNN结合,使用MHSA在CNN的浅层特征图中计算动作CSI数据中各点的相关性,使得模型能够关注到数据中整体各点的时序相关性与关键的动作信息。改进的MHSA模型在自注意力矩阵计算阶段仅需要计算池化后子载波的自注意力矩阵,不需要考虑CSI数据所有子载波,从而极大的缓解MHSA引入带来的训练开销大问题。新的时空特征模型在完成对CSI数据细粒度时空建模的同时避免了训练成本的激增。基于相似手势预训练模型的手势识别系统研究。相似手势动作对无线信号的影响也是相似的,这导致现有手势分类系统识别性能的降低。本文将构建基于A-Softmax损失函数的相似手势预训练模型来缓解手势分类中相似手势的影响。A-Softmax损失函数通过在不同手势特征距离间引入可调节间隔系数,使得分类条件变得更加苛刻,从而提升了模型对相似手势的识别性能。通过迁移学习中的Fine-Tune技术将分类条件苛刻的相似手势识别模型作为现有手势识别任务的预训练模型,这将提升现有手势识别模型的性能。