手势是一种直观、自然和便捷的人机交互方式,随着技术发展成熟,其被应用于越来越多的场景中,手势识别技术也成为了一个研究热点。手势识别使用的数据采集工具主要有两类:以相机为代表的机器视觉设备和以加速度传感器及陀螺仪为代表的惯性传感器。相比于机器视觉设备,惯性传感器具有低成本、低功耗、便于携带和不受光照等外部因素干扰等固有优势。随着微型机电系统技术的不断发展和普及,惯性传感器已广泛应用于智能手机和可穿戴设备中。随着深度学习方法在大量任务中展现出了卓越的表现,越来越多的研究基于深度学习方法构建手势识别系统。本文主要有两个研究点,其中研究点(1)针对门控神经网络可学习参数量庞大的问题展开具体研究,研究点(2)针对神经网络在小数据集上容易过拟合及传统模板匹配方法提取特征和选择度量方式不合理的问题展开具体研究。研究的思想方法和成果如下:(1)提出了一种单门控循环神经网络算法,该算法将门控循环神经网络的二重门控机制合并为一个控制机制,以单一的遗忘门为核心建立记忆机制,由遗忘门综合调制历史数据与当前数据对网络的贡献。实验和分析表明,单门控循环神经网络比门控循环神经网络减少了42%的参数量,但可靠性和识别效力相当。(2)提出了一种基于孪生框架和混合神经网络的端到端手势识别算法,该算法以卷积神经网络和循环神经网络混合的方式自动提取惯性传感器信号中蕴含的时空信息,在传统孪生网络分支的末端级联了两层全连接层作为分类器,训练时可以协同学习特征提取和相似度度量方式。实验和分析表明,该算法具有良好的学习和泛化能力,提取到的特征不仅非线性表达能力强,还具有良好的可分性和一定的抗干扰能力,可以解决手势的多变性问题。