人工智能技术作为新的一波科技浪潮，正在改变世界。而人机交互作为人工智能的接口，越来越受到研究者们的重视。在现有的人机交互技术中，手势识别是目前研究最为热门的人机交互技术之一，它以其最接近人类交流和沟通的方式，必将成为未来交互技术中不可缺少的部分。手势识别系统可以分为手势建模、手势分析和手势识别三个模块，并同时具有静态手势和动态手势识别的功能。　　本文主要研究了基于视觉的手势识别的关键技术，研究了基于优化的SVM分类器的静态手势识别系统和基于改进动态时间规划算法的动态手势识别系统。在静态手势系统构建中，采集建立了具有3000张10种不同手势的静态手势样本库，设计了一套基于特定环境的预处理模块，提取和对比了静态手势中的Hu矩和其他几何特征，并训练了基于支持向量机模型的静态手势分类器，通过网格遍历的方式优化了SVM分类器核函数的参数，取得了对静态手势测试样本集90％以上的识别率，对实时静态手势80％左右的正确识别率，最后对比了不同特征和核函数参数对静态手势识别率的影响。　　在动态手势识别系统的构建中，本文主要采集和识别了7种不同的动态手势轨迹，在动态手势轨迹的识别中改进了动态时间规划算法，缩小了最优路径的选择范围，设计了动态手势时间序列相似性的衡量标准，使动态手势识别时间平均减少24.8％。动态手势识别系统包括静态手势识别技术，在动态手势识别系统的构建中，先在输入信号中识别出需要跟踪的目标手势，基于Kalman滤波模型，对目标手势进行跟踪，并获得动态手势轨迹的时间序列，把运动轨迹的时间序列转换为相邻两坐标连线与水平方向逆时针的角度来获取最终形式的动态手势特征值，最后采用动态时间规划识别动态手势轨迹，并测试了动态手势的正确识别率。　　最后，本文介绍了整个手势识别系统的算法流程和系统软硬件平台，在实时的环境下，验证了本文设计的算法对静态手势和动态手势的识别效果。结果证明，本文中采用的基于计算机视觉的手势识别技术能够基本满足手势识别系统的需要，具有巨大的应用前景和研究价值，将成为未来人机交互接口采用的主要方式之一。