随着智能设备软硬件的发展,人机交互(Human-Computer Interaction,HCI)的重要性也逐渐显现出来。人与机器的交互方式对工作的效率有着巨大的影响。研究者研究人机交互技术的主要目的,就是实现人与计算机之间高效的交互。而手势这种人机交互方式,由于其灵活和高效的特性,成为近年来人机交互方向中的研究热门。目前手势识别的方式主要分为基于传感器、基于计算机图像以及基于无线信号这三种。前两种方法的性能对设备和环境有较高的要求,而基于无线信号的手势识别则更加灵活和高效,所以本文对基于WiFi信号的手势识别相关方法进行了研究。为了获取和分析WiFi信号来进行手势识别,需要借助软件无线电的相关技术。本文搭建了基于SORA和PC的软件无线电实验环境,采集到使用802.1 1a协议的WiFi原始数据。在对WiFi信号的物理层帧结构进行分析之后,选择长前导序列作为手势数据源,进行特征提取。为了提取出手势信号在时间域和频率域上的联合信息,本文采用时频分析中的Choi-Williams (CW)分布,将信号先转换到时频域中,再提取四种特征向量作为支持向量机(SVM)的输入进行分类。由于支持向量机有两个关键参数对分类效果影响比较大,为了获得更适合这个场景的参数,本文使用改进的果蝇优化算法进行参数寻优。考虑到基本的果蝇优化算法中,果蝇群体个数和搜索范围在整个迭代过程中是固定的,这会导致算法的收敛速度和寻优精度降低。针对这个问题,本文提出了基于动态种群和方向修正的果蝇优化算法(FOA),经过测试发现,改进后的算法在收敛速度和精度上有着明显的提升。将改进后的果蝇优化算法应用到支持向量机的参数寻优过中,结果表明在使用了经过优化后的参数时,四种特征的识别正确率均有提升,最高平均识别率已经达到了 96.8%。说明本文提出的基于CW分布和改进FOA的手势识别算法具有一定的实用性和研究意义,为相关问题的解决提供了新的思路。