随着计算技术的发展变革,人们开始越来越重视人与计算机之间的交互问题,现如今,计算机技术已经极大的改变了人们的生活,同时,计算技术的发展也对人机交互方式提出了更高的要求。近些年来,人机交互和虚拟技术的发展,使得人们已经不满足于当前鼠标与键盘式的人机交互模式。在这样的大背景之下,对于更加符合人类使用习惯的人机交互方式的研究越来越活跃起来。现在,这些更加符合人类使用习惯的交互方式已经取得了不错的成就。这些新型的人机交互,包括语音识别,人脸,表情等识别以及手势识别等,其中,手势识别的研究正开展的十分火热。本文对基于计算机视觉的手势识别技术展开了较深入的讨论,提出了一种结合Hu矩和支撑向量机的手势识别方法,并设计实验对0-9十个数字手势进行了验证。本文首先讨论了一些常用的图像预处理方法,然后对手势图像的特征提取和支撑向量机理论进行了介绍。手势具有旋转角度、缩放大小比例、以及平移等一系列变化,因此对手势识别的研究的首要任务就是,找到一种能够适应这些变化的特征向量来描述手势,本文给出的Hu矩就是一种满足这些条件的图像特征,该特征对手势图像的各种变换具有良好的适应性。在手势识别分类器的选择方面,本文给出了支撑向量机(SVM)的相关理论,该理论是在统计学习的基础上演变而来的一种新的机器学习方法,支撑向量机的理论基础完善、分类效果出色,尤其在解决只有小样本的训练以及非线性、高维的机器学习方面优势明显。此外本文还给出了一种兼容YCbCr和HSV颜色空间的自适应肤色分割模型,该模型对手势肤色图像的二值化分割效果较好。全文的主要工作创新点是给出了一种兼容YCbCr和HSV颜色空间的自适应肤色分割模型,并提出了结合Hu不变矩和SVM来对数字手势进行识别,最后使用LIBSVM进行了实验。