在模式识别以及计算机视觉领域,动态手势识别是一项重要而具有挑战性的任务。本文中提出了一个新型的特征向量,该特征向量能够很好地描述动态手势。另外,本文还提出了一个仅基于Leap Motion传感器的动态手势识别方案。这两点是在其他文献中还没有出现过的。本文的整体方案是从深度信息中提取特征向量序列后,再使用训练好的隐条件神经场模型对该特征向量序列进行分类。本文提出的系统框架主要包含两步:1、特征提取;2、使用隐条件神经场模型进行分类。本文提出的特征向量是由单指特征和双指特征组成的,主要由两个优点:1、单指特征能够解决由于在不同三维空间位置执行动态手势造成的误判问题;2、双指特征能够区分不同的相邻指尖交互类型。采用基于隐条件神经场的分类器的原因是该模型主要能够考虑到两点对动态手势识别很重要的因素,分别是考虑不同种类特征的能力以及能够描述动态手势序列复杂的隐藏结构。为了进行对比实验以及开发一款基于Leap Motion传感器进行人机交互并得到雕塑模型的网页应用,本文建立了两个动态手势数据库。在两个数据库上执行本文提出的方案得到了十分不错的平均识别准确率,在LeapMotion-Gesture3D数据库上为89.5%,在Handicraft-Gesture数据库上为95.0%。本文在实验结果以及理论上说明了提出的方案对于特定的动态手势识别任务是十分有效的。