近年来，视频图像中的手势跟踪与识别技术已成为计算机视觉领域中备受关注的研究内容。手势作为人们之间最自然、常见的交互方式之一，能生动、形象和直观的传递信息。基于视觉的手势识别已在人机交互、虚拟现实、医疗诊断、手语识别等领域获得了广泛的应用。本文研究基于单目视觉的手势跟踪与识别技术，主要内容如下：　　 首先，分析了运动区域检测的常用方法，在此基础上，采用减固定背景法实现了运动区域的快速检测。研究了混合高斯肤色模型和椭圆边界肤色模型的特点，并对比分析了两种模型。实验说明，混合高斯肤色模型检测效果优于椭圆边界肤色模型。将运动信息结合到肤色检测算法，提高了手势区域检测速度。针对光照不均、阴影干扰和肤色相近噪声造成手势区域检测的漏检和误检现象，提出了一种改进的手势区域增长算法。实验结果表明，结合该改进算法能有效的分割出较完整、干净的手势区域。　　 其次，分析了传统Snake模型和GVF Snake模型两种轮廓提取方法，采用了GVF Snake模型提取手势轮廓曲线，针对该模型对初始轮廓敏感及计算量大等问题，给出了一种改进算法。该算法基于角点检测实现轮廓的初始化，将与手势轮廓相似的封闭曲线初始化在手势目标附近，并采用在运动子区域上计算向量流代替在整幅图像计算的方案，降低了模型迭代次数，提高了轮廓收敛准确性。实验结果表明，改进方法可较准确、快速的提取手势轮廓。　　 最后，实现了基于卡尔曼滤波器的B样条手势轮廓跟踪算法，该算法具有运算快速的优点，但存在只能跟踪特定形状的手势轮廓，且对噪声敏感、易跟丢等问题。为了解决这些问题，分析了利用光流法跟踪运动信息的原理，将稀疏光流跟踪法与角点特征相结合，采用稀疏光流跟踪轮廓上的角点特征，利用GVF Snake模型和角点信息捕获完整手势轮廓曲线后，用角点检测算法更新角点信息，通过迭代的方式实现轮廓跟踪。通过与一般的基于GVF Snake模型跟踪算法实验对比表明，本文采用的结合角点特征和稀疏光流轮廓跟踪算法能更完整、准确的跟踪手势轮廓。在手势识别上，采用了傅立叶轮廓描述算子建立手势模式模型，并给出了识别算法的详细流程。