手势是一种重要的人机交互手段。Wi Fi设备成本低廉、普及广泛,使用Wi Fi设备进行手势识别具有广阔的应用前景。当前基于Wi Fi设备的手势识别研究中,大部分都只针对特定的域进行识别,没有考虑环境、被识别个体的方向和位置、Wi Fi设备的位置摆放等的变化对识别造成的影响,当被识别的手势和训练模型使用的手势不处于同一个域内时,识别准确率会大幅度降低。因此本文针对跨域手势识别问题,构建具有跨域识别能力的手势识别模型,主要工作如下:1、针对环境、个体位置、个体方向不同的跨域问题,提出了基于深度卷积神经网络的跨域手势识别模型。CSI手势数据通过使用本文设计的预处理工作,转换为图像,然后进行手势分类。实验表明,基于Res Net-18的手势识别模型分别在域内、跨环境、跨位置、跨方向上达到了99.41%、91.31%、93.51%、90.63%的准确率,优于Widar3.0、Wi HF等现有研究成果的识别性能。2、使用空间注意力机制以及通道注意力机制对基于深度卷积神经网络的手势识别模型进行优化。通过注意力机制使得模型更加关注表征手势本身的重要特征,进一步将域内、跨环境、跨位置、跨方向上的准确率提升至99.67%、93.08%、95.09%、91.84%。3、针对Wi Fi设备摆放位置不同的跨域问题,提出了使用条件域对抗训练的方法构建模型,并使用预训练和旋转梯度的方法优化训练过程。相比于直接训练的模型,在Wi Fi设备位置摆放不同的跨域情况下准确率提升了19.43%。