人机交互是人与计算机之间信息交流的途径与方式,是认知心理学、人机工程学、多媒体技术、虚拟现实技术等相互交叉的综合学科。随着计算机及各种嵌入式设备在日常生活中的广泛应用,传统的人机交互方式无法满足人们对于信息交流直观、高效的要求,人们开始寻求更加自然、方便的交互方式。手势动作可以直观、快速的表达人的需求,以手势动作作为交互方式的手势识别开始成为人机交互的研究热点。手势识别通常分为基于视觉的手势识别和基于可穿戴传感器的手势识别。前者易受到光照、背景的影响,且要求拍摄图像画质较高,不利于手势识别的普及。传感器体积小、灵敏度高,在采集过程中受外部环境影响较小,便于植入可穿戴设备中,使基于加速度传感器的手势识别成为一种新的人机交互方式。本文通过加速度传感器采集数据,研究了基于卷积神经网络和长短时记忆网络结合的加速度手势识别算法,并对所设计的系统进行了实验验证,证明了系统的有效性。本文的主要研究内容如下:1)传感器数据采集与预处理。利用Wiimote采集不同的手势加速度数据并实时传送到电脑端储存。然后将采集到的手势信号进行平滑滤波处理,并采用改进的swab算法获取有效手势数据,构建基于加速度传感器的手势数据集。2)手势特征提取。利用卷积神经网络提取手势特征,使用训练集数据训练网络模型,并利用训练好的模型获取测试集手势特征,获取能够有效表示手势动作的特征信息。3)加速度手势识别。针对手势动作的时序特性,构建基于长短时记忆网络的加速度手势识别模型。结合深度卷积特征进行加速度手势识别。本文使用Wiimote采集的加速度手势数据集和Actitracker公共数据集进行测试。实验结果验证了本文基于长短时记忆网络方法能够有效识别手势,并提高了准确率,在手势数据集和Actitracker数据集上分别达到了96.5%和98%的识别率。