动态连续轨迹手势识别是人机交互中极其重要的一部分,准确、自然的连续轨迹手势识别有助于提高人机交互效率,因此在医疗、机器人等各个领域被大力推进与发展。传统连续手势识别的算法存在分割不自然、对不同复杂度轨迹的识别泛化能力差等问题。本文的主要研究工作如下:针对连续轨迹分割不自然的问题,本文提出一种基于模型信息的连续轨迹分割算法。算法通过检测连续轨迹末尾所存在的减速区域来进行轨迹的自动分割,并且为了滤除连续轨迹中由于书写转折以及停顿所引入的噪声,结合了动态时域规整算法使用模板的先验信息来捕获与模板相似的轨迹段,在此之后结合识别算法在等时间间距序列中进行减速区域的检测。本文的方法最终能够实现自然、实时、准确的非停顿式连续轨迹分割,相比传统的分割算法更加高效。针对连续轨迹识别算法对不同复杂度轨迹的识别鲁棒性低的问题,本文提出了一种结合多特征的结构化动态时域规整算法。算法结合了轨迹识别中高效的方向特征以及位置特征来拟补单一特征的不足,为了克服位置特征的尺度敏感性,文中使用PCA算法根据不同轨迹的主方向进行归一化。除此之外还利用了轨迹的结构化信息并结合权值策略来改进传统动态时域规整算法,相比于传统方法最终提升了识别算法的效果和鲁棒性。针对个性化问题,算法使用多个模板来描述一个类别,使算法能够有效的克服不同用户书写轨迹的差异。为了优化模板数量以及选取较优的代表性模板,本文基于K-means聚类算法和遗传算法来进行模板的选取以及参数的调节。除此之外,本文还提出一种任意自由度的单指尖检测、跟踪算法来提取用户轨迹以消除因交互方式引入的书写误差。实验表明所提出的算法针对不同用户的识别结果相近,因此证明算法能够克服不同用户的书写差异性。本文所提出的算法主要在复杂的连续字符轨迹数据集上进行了验证且平均F值达到86.26%,高于传统方法。此外算法还在较为简单的连续数字轨迹数据集上进行了验证,识别率达到95.8%。结果表明算法能够实时、准确且自然的分割并识别出不同复杂度轨迹,最终本文还将算法在医用平台上进行了有效性验证并阐明在此背景下的广阔应用前景。