人机交互越来越成为人们日常生活中不可或缺的一部分,手势具有便捷、自然、直观等特点,是人机交互中的一种重要的交流方式。相对于静态手势而言,动态手势具有丰富、灵活的特点,因此本文主要研究动态手势识别。动态手势的识别过程主要包含如下几步：获得手心的位置,提取和编码手势的特征,学习手势模型的参数和阈值,识别手势。本文先通过微软Kinect获得手在三维空间中的位置。本文然后介绍了k-means对特征离散化编码的过程,但由于K-means不能给未定义的手势以合理的编码,故提出了球面方向离散化方法对特征进行离散化编码,该方法编码后的特征满足相似手势区分度尽可能小,不同手势区分度大的原则。本文接着介绍了动态时间规整,最长公共子序列和隐马尔科夫模型在动态手势识别的学习和识别过程中的应用。考虑到不同人对同一个动作的理解存在差异,本文将K近邻和最长公共子序列进行结合。为了在基于隐马尔可夫模型的手势识别方法中能够自动检测事先定义的手势并过滤掉未定义的手势,本文使用一种统计的方法计算其阂值。在本文的应用场景中,用球面方向离散化方法对特征编码,K近邻结合最长公共子序列识别手势,比K-means对特征编码,最长公共子序列识别手势提升了F1值13.45%；使用动态时间规整识别手势时,球面方向离散化编码比K-means编码提升了F1值3.08%；使用球面方向离散化编码,隐马尔可夫模型在基于统计的阈值下F1值为81.54%。