自从计算机问世以来,人机交互就成了一门重要的研究课题,让用户能够操控计算机,人们更加希望计算机可以准确识别自己的指令,做出相应的操作。在实现人机交互的手势识别中,手势特征是用来分类和识别手势的重要基础。识别手势过程中,还需适应环境、手型等差异带来的影响,由于受环境与视角的影响,单一特征不能很好地完成手势的识别,虽然手势识别的准确率随着特征数的增多而提高,但选取的特征太多元化会影响识别和响应速度且复杂性太高不便于优化和推广。本文针对博物馆文物虚拟现实应用手势交互的特定需求,提出一种融合静态手势特征和手部运动轨迹特征的手势交互方法。通过对比实验,本文提出的方法比只使用单一手势特征的手势识别方法在准确率和扩展性上有较大提升。本论文完成了具体以下工作:（1）针对古代服饰网上博物馆手势交互的场景,构建3D模型手势交互数据集Gesture。该数据集主要用于手势交互控制研究,针对五大交互功能收集了五种不同手势类型图像,数据集中不同类型的手势图像具有差异性大、易区分以及手势动作简单等特点。（2）构建了用于识别静态手势类型的卷积神经网络模型（SGR）,通过对比试验,优化了网络结构,得到用于静态手势识别的卷积神经网络分类模型,与不同网络结构的模型对比验证了本文优化后网络模型的优点。（3）针对静态手势识别网络模型（SGR）无法分析空间和轨迹维度的信息影响到手势交互的鲁棒性和准确性问题,提出在利用静态手势特征识别方法基础上融合轨迹特征,对手势交互数据集特征提取静态手势特征和手势动作轨迹特征。其中轨迹特征通过对Kinect体感设备在windows平台中的开发研究,获取了人体的深度图像数据及骨骼跟踪数据,并且基于深度图像和骨骼关键点信息实现了对动态手势的轨迹识别,获取了手势交互的运动信息,提出基于向量角的轨迹识别方法,实现了对手势运动的轨迹分类。（4）针对古代服饰网上博物馆的人机交互功能,定义了动态手势交互类型,将静态手势特征识别结果与手部运动轨迹特征识别结果相结合作为描述动态交互手势的特征矢量,融合后的手势识别方法不仅可以识别静态手势,还能实时追踪手部位置获取手势的运动信息,比只使用一种特征的手势识别方法,提高了6.6%的准确率,并且有更多的识别类型可扩展,且较短的响应速度满足交互的实时性需要。通过与主流手势交互方法结果对比,验证了本文方法的优点。图21副,表9个,参考文献50篇。