本文侧重于研究复杂背景下实时的二维手势分割以及利用不同的方法进行二维手势识别。手势分割是整个识别分析的关键和前提，它的好坏直接影响系统的识别率。但是目前基于单目视觉的手势识别技术中，手势分割要求背景简单或者要求识别者戴着笨重的数据手套。而本文改进了传统的手势分割技术，采用了基于神经网络的自适应K-L坐标肤色模型和适应周围环境的运动信息；此外，本文还使用了前景信息以及包围手势的矩形区域的平面几何信息等信息在复杂背景下进行手势分割，与传统的基于RGB肤色模型的手势分割相比，在复杂背景环境下得到了很好的分割效果。手势形状特征提取阶段的任务就是估计选定的手势模型的参数。在对分割的手势区域进行预处理后，在本文中采用了一种简易的基于拓扑学的特征提取技术进行简单手势识别；并且使用了一种新的归一化的傅立叶描述子进行复杂手势的特征提取。手势识别过程就是把模型参数空间里的轨迹(或点)分类到该空间里某个子集的过程。本文成功应用在语音识别领域中的识别方法(隐马尔可夫模型HMM)，对预定的30种手势进行训练和识别，实验中对这30种孤立手势的识别率达到了令人满意的平均识别率—86％。