近年来，对旋翼无人机的研究十分火热，尤其在应用领域，旋翼无人机极具潜力。目前人与无人机的交互比较成熟的方式还是通过遥控器控制，这种方法通常需要控制者对无人机相关知识有一定的了解，而且需要一定量的训练才能使无人机按预想动作飞行。在保证无人机稳定飞行的情况下，如果能把对无人机的各种操作整合成为接口，使用者不需要完全理解无人机各种专业知识和术语，只需通过几个手势就能远程控制无人机飞行，这对使用者是一个很大的便利。本文主要研究在无人机平台上利用手势进行信令控制，主要工作如下：　　1.手势的检测和分割部分。本文首先研究了基于肤色的检测和分割方法，对几种常见的颜色空间和肤色模型通过实验进行了比较，选择了分割效果最优的椭圆边界模型结合YCbCr颜色空间的算法，并融合肤色信息和运动信息，给出了一种最适合本文应用场景的手势分割方法。　　2.特征提取和静态手势识别部分。在特征提取阶段，选择了傅里叶描述子、PCA-HOG特征、BOF-SRUF算子三种图像算子分别与手势的圆形度和Hu不变矩融合形成三个新的特征，并分别输入支持向量机(SVM)训练和试验，为每个新特征选定了最合适的维度和训练参数。在手势识别阶段，选用支持向量机作为手势识别的分类器，将前述三种融合特征输入进行训练和实验，验证了PCA-HOG融合特征在识别率、实时性和鲁棒性方面都比其他两种特征要好，并利用该特征实现了对手语1至9和两种自定义手势的稳定识别，并且对手势的旋转、平移有一定的鲁棒性。　　3.指尖检测和定位部分。通过实验比较了三种常用的基于轮廓的指尖检测算法，并结合三种算法的优点形成快速鲁棒的算法。算法流程是，首先基于手势轮廓的凸包和凸缺陷提取初步候选点，再根据静态手势识别的结果选择下一步过滤杂点的方法，如果结果显示不需要进入动态手势识别，则用指尖的曲率阈值精确确定所有手势的指尖点，而如果当前静态手势是进入动态识别的起始手势，则用指尖点到掌心点的距离作为阈值来滤除候选点中的非指尖点。这种算法具有很好的稳定性和实时性，非常适合本文的无人机指令控制系统。　　4.动态手势识别部分。以静态手势1为动态手势序列的起始手势，当图像中出现静态手势1时，则开始动态手势识别序列采集的相关步骤，当连续几帧检测不到静态手势1时，则开始序列采集的结束步骤。将静态手势1的指尖的坐标序列作为手势的轨迹，再将相邻坐标点指尖的方向角量化后的方向向量作为输入，利用隐马尔科夫模型(HMM)作为分类器，实现了6种自定义动态轨迹的识别。　　5.人机交互部分。通过结合前面动静态手势识别的研究结果，以3种静态手势和6种动态手势定义了总共9种指令作为外部信令，并利用PX4无人机开发套件编写了地面控制脚本，在收到手势识别部分的指令后，转换为相应的MAVLink指令通过3DR数传发送给无人机，能够实现对无人机的飞行控制。　　本文通过多特征融合和支持向量机实现了静态手势识别，给出了一种适合本文应用场景的指尖检测和定位算法，在这个基础上，结合隐马尔科夫模型实现了动态手势的识别。最后选取了3种静态手势与6种动态手势实现了控制无人机的9种指令，利用VC++、OpenCV和Python语言编写了相关的软件和通信程序，完成了对无人机基础飞行动作的实时准确控制。