手语识别的研究对改善聋哑人与正常人之间的交流,帮助他们更好地融入社会具有重要意义。手语识别具有多种数据采集形式,其中基于多传感器的手语识别方式因较数据手套穿戴方便、较视频识别背景干扰小而受到越来越多的关注。表面肌电信号（Surface Electromyography,s EMG）因其能反映手指屈伸等细微动作,采集方便等特点,常被用于手语识别研究;加速度信号因其能反映手臂挥动信息,同样成为近些年手语识别研究的热点。将两种类型的传感器融合互补,可以捕获较为完备的手语数据信息,从而提高识别准确率。针对目前手语识别准确率不高的问题,本文基于肌电传感器和六轴陀螺仪传感器采集的手语数据,提出了一种混合粒子群优化支持向量机算法（Hybrid Particle Swarm Algorithm Support Vector Machine,HPSO-SVM）对中国手语进行识别研究。主要工作如下:（1）信号采集:设计了一套实用、有效的传感器组合装置对手语数据进行采集。实验前先对手臂肌肉产生肌电信号特点进行了研究,选取执行手语动作时信号较为活跃的肌肉区域,作为采集区域,为良好的数据来源提供保障。（2）信号有效活动段提取:针对复杂动作活动段较难提取的问题,提出了短时能量法的改进算法,通过增加一个自适应容错长度,判断当前位置是活动段终止点,还是复杂动作中的一小段结束,从而有效提取出所有动作的肌电信号活动段。（3）特征提取:根据s EMG和加速度、角速度信号的不同特性,分别提取不同特征。对特征进行聚类分析,选取聚类效果显著的特征进行分类识别,从而降低了算法运算的复杂度。（4）手语分类方法:在SVM算法的基础上提出HPSO-SVM算法,将SVM的参数惩罚因子和核函数参数作为粒子群算法中粒子的坐标,寻找最优粒子位置,在全局最优解的基础上增加了以当前粒子为中心,半径为R的局部最优解,降低了粒子群陷入局部最优解的风险,从而使混合粒子群算法求解出支持向量机的最优参数,提高了手语识别的准确率。同时与SVM、BPNN算法、DT算法进行对比分析。得出结论,本文提出的HPSO-SVM算法识别率略优于其他算法,识别准确率达到96.78%。体现了本文算法的可行性。