随着物质生活的不断丰富,人们开始探索贴合人类使用习惯的人机交互技术,其中基于视觉的手势识别技术为机器理解手势提供了必要的辅助。基于图像的手势识别无需佩戴其它额外的硬件设备,与传统的输入方式相比,无需人机接触,且易于操作,在手语识别、辅助驾驶、设备控制、智能家居等交互领域具有广泛的应用。然而,目前大部分的研究仅限于光照充足的环境下,对于全天候执行的任务,特别是军事、安防领域等需要夜间执行的工作,普通彩色摄像头无法胜任,很大程度上阻碍了手势识别的实用化进程。基于以上研究现状,提出将手势识别技术与红外夜视技术相结合的研究,围绕红外图像的特点,实现夜间环境下的多种手势识别,具体的工作如下:采用近距离微弱红外辅助照明获取红外图像,针对夜间拍摄噪声干扰严重,画质较差的问题,分析噪声产生的原因,通过非均匀性观察实验分析红外噪声的特点。针对噪声所呈现的条纹特征,提出基于卡尔曼滤波的校正方法,该方法不仅去除了大幅噪声波动,还对细节特征有较完整的保留,对提高红外图像的质量有实际意义。针对近距离微弱红外辅助照明获得的红外图像,利用手势与背景之间的灰度差,使用基于K-Means聚类的分割算法,提取手势区域,然后根据手势的几何信息进行分类。通过实验分析可得出K-Means聚类算法存在局限性,手势分割的完整性除了受光照均匀性的影响外,算法稳定性还与K值、初始种子点的选取有关。针对手势位置偏离光轴,造成灰度不均匀的红外图像无法通过聚类算法得到有效手势的问题,提出基于HOG特征的SVM手势分类算法。基于红外手势的特征金字塔建立手势分类模型,该模型无需依赖于手势分割的结果,算法的可用性得以提升。基于上述研究工作,本文实现了夜间红外图像的多种手势识别。通过基于卡尔曼滤波的红外图像条纹噪声去除算法,提升了红外图像的峰值信噪比,并在此基础上通过手势识别算法,进行夜间环境下的十种红外手势识别。经测试评估,识别率为91.8%,不受光源引起的非均匀性影响,能够较好地实现夜间环境下的多种手势识别。