近年来,由于虚拟技术的迅速发展,人机交互的研究逐渐成为了热点,而手势识别在人机交互中有着很重要的位置。手势识别主要分基于视觉和基于传感器两种识别方式,其中基于视觉的手势识别对环境和硬件设备要求比较严格,而随着微机电系统(MEMS)传感技术的快速发展,基于传感器的手势识别成为当下研究热点。本文将基于MEMS传感器,对手势识别算法进行研究。MEMS传感器提供的是传感数据,不能直接提供手势运动的相关数据,因此一般基于传感器的手势识别算法是根据规定好的动作对其加速度或角速度等信息进行分析,通过每个手势的运动学特征找到每个手势的关键信息。但是这样就需要人工干预,操作者也不能灵活的执行手势动作。为了使操作者的手势执行的更加灵活,以及可以自己定义手势,本文采用了空间定位的方法,即将MEMS传感器数据转化成空间数据,以记录手势在三维空间的位移坐标点。对于积分得到的手势的空间数据的分类识别,本文采用深度学习算法中的限制波尔兹曼机提取数据的关键信息,即对数据做降维处理,并通过BP神经网络进行分类识别。为了提取更加抽象的特征信息,本文采用由多个限制波尔兹曼机和BP神经网络组成的深信度网络模型来设计算法,通过限制波尔兹曼机逐层训练数据样本,得到降维后的特征信息,然后利用BP算法调整整个网络以及分类识别。本文实验结果表明,转化过来的空间数据可以准确的记录手势在三维空间的运动轨迹,说明将MEMS传感器数据转化成空间数据然后在此基础上进行分类识别是完全可行的。通过深度学习算法对手势的空间数据进行训练和分类识别可以避免人工的参与,达到操作者自定义手势的目的。