手势是人与人之间的一种交流方式,随着计算机视觉技术的发展,手势逐渐成为一种适应社会需求的人机交互方式。基于视觉的手势识别方法因其直观、自然等优点,已经成为了人机信息交互的重要手段。如何准确的实现手势的分类成为了目前学者们的研究重点。手势识别首先要把图像中关于手的部分分割出来,然后通过有效手段提取手势特征,在不同算法下实现手势识别。本文介绍了关于手势识别的关键技术,以提高手势识别正确率为目标,在前人研究的基础上,对手势特征提取和手势识别的方法做重点研究。本文对卷积神经网络算法进行深入研究,实现并改进了基于卷积神经网络的手势识别算法。手势特征提取是手势识别的总要环节,提取特征的好坏直接影响手势识别的结果。卷积神经网络是深度学习算法的一种,具有很强的学习能力,该网络通过多次卷积和池化操作,抽象出适用于识别和分类的高级特征,然后通过减小分类器得到预测的分类结果与真实数据标签之间的差距优化网络,并实现手势识别。但是其参数多,计算量大,在数据有限的情况下,获取高效特征的能力有限。本文改进了卷积神经网络的优化方式、特征提取与分类方法,通过用已有的模型对网络进行初始化,改变参数初始化方式,增加训练数据样本的多样性等方法,提高网络的优化效率和手势的识别率,并对每一种方式进行实验验证和分析。本文提出了新的算法提高手势识别来,首先进行任务复杂化,将原始分类任务的简单目标函数进行拆分,形成一个复杂的分类任务,相当于添加了一个强有力的规则化项,充分利用卷积神经网络的学习能力,训练卷积神经网络完成这个复杂任务,得到训练好的卷积神经网络模型,然后通过训练好的模型得到数据的高性能特征,最后用这些高性能特征以原始任务的简单目标训练soft-max和支持向量机两种分类器,通过统计所有手势识别测试数据的分类结果,得到手势识别的识别率。本文提出的方法都是基于ASL和BSL手势数据库进行实验验证,并与已有的手势识别方法在识别率有效性方面做比较,实验表明,该方法易于实现,可以在不增加计算量的基础上提高手势识别效率。