基于Wi-Fi信道状态信息(CSI, channel state information)的人体活动感知在虚拟现实、智能游戏、元宇宙等未来智能交互场景具有重要的应用前景,复杂连续人体活动的精准感知是Wi-Fi感知的重要挑战。卷积神经网络(CNN, convolutional neural network)具备空间特征提取能力,但对数据的时序特征建模能力差。而适用于时间序列数据建模的长短期记忆(LSTM, long short-term memory)网络或门控循环单元(GRU, gated recurrent unit)网络忽视了对数据空间特征的学习。针对此问题,提出了一种融合双向门控循环单元(BiGRU, bidirectional gated recurrent unit)网络的改进型 CNN。所提网络利用 BiGRU的双向特征提取能力捕捉时序数据前后信息的关联和依赖性,实现时序CSI数据的时空特征提取,进而呈现动作与CSI数据的映射关系,从而提高对复杂连续动作的识别精度。以篮球动作为场景对所提网络结构进行了实验,结果表明,该方法在多种条件下识别准确率均高于95%,与传统多层感知机(MLP, multi-layer perceptron)、CNN、LSTM、GRU、具有注意力机制的双向长短期记忆(ABLSTM, attention based bidirectional long short-term memory)网络等基线方法相比,识别准确率提升了1%~20%。