随着移动智能设备的快速发展及其在人们生活中发挥的重要角色，自然便捷的人机交互方式成为智能设备研究领域的重要分支。触摸屏和语音识别技术以其学习成本低、交互效率高的特点取代了移动设备以键盘为主的交互方式，但也同样存在着局限性：触摸屏不可避免地将用户的所有操作都限制在了设备屏幕之上，语音识别技术在机场、车站等嘈杂环境中无能为力。手势因其自然直观的特点而成为人们日常生活中一种重要的交流方式，基于MEMS惯性传感器的手势识别技术可在一定程度上弥补触摸屏和语音识别的不足，将其作为移动智能设备现有交互方式的补充，可进一步提高人机交互效率、提升用户体验。本课题依据UESTC-NOKIA国际合作研究课题，旨在研究一种基于MEMS惯性传感器的针对特定手势集的简单有效的手势识别技术。课题主要完成了以下研究工作：1.针对基于动态模板匹配(DTW)和隐马尔科夫模型(HMM)的手势识别方法个体差异适应性差的特点，本文提出提取不随用户个体变化、反映手势运动规律的特征量来对手势进行识别，从而增强算法的个体差异适应性。同时，通过构造决策树分类器简化手势预分类，极大地提高了识别准确率。2.在目前的基于特征提取的手势识别算法中由于仅采用了加速度计，因此难以获取设备的姿态信息，手势操作只能在算法限定的设备姿态下进行，导致用户体验和识别准确率降低。针对这一问题，本文将MEMS陀螺仪和加速度计结合以获取设备姿态、对手势数据进行坐标转换后再进行手势识别，从而取消了手势操作时的设备姿态限制，实现了任意姿态下的手势识别。3.针对姿态更新算法对数据精度要求高的特点，本文分别对MEMS加速度计和陀螺仪的系统误差进行了建模和标定，对随机误差建立了时间序列模型并通过卡尔曼滤波器进行了滤波处理，保证了数据精度、减小了姿态更新算法的漂移。