在科学技术的不断推进下,人机交互的人性化和简单化更受重视,而手势识别就是人机交互的一个重要手段。传统手势识别方法对人体以及环境背景的要求很高,针对这一问题,利用微软公司推出的Kinect传感器可以有效的获取景深图像,基于深度信息的手势识别具有更好的交互效果。本文利用Kinect的深度信息,分别设计了实时静态和动态人体手势的识别算法。基于深度信息的静态手势识别,通过Kinect深度传感器获得深度图像,在深度图像中确定人体骨骼图,利用骨骼图实现了手部关节点的定位,从而对手部关节点进行连续时空追踪;在深度图像中确定手部位置后,截取一个包含手部图像的感兴趣区域,将手部从深度图像中分割;对分割出的感兴趣图像进行形态学处理,提取手部轮廓圆形率、周长比、填充率、Hu距等9种特征;采用SVM支持向量机对手势样本的特征值向量进行训练,从而实现0-5共6种手势的识别。分别在静态和动态环境下对手势识别的识别率和鲁棒性进行实验,实验结果表明所提出的算法能够在各种环境下达到理想的识别效果。基于深度信息的动态手势识别,介绍了利用Kinect骨骼获取和跟踪的良好特性,将人体的10个骨骼点的运动轨迹作为输入特征向量,并采取中心化和归一化的方法对获取的特征向量进行处理,之后在训练阶段采集多人的动态手势数据建立手势库,再利用模版匹配的动态时间规整的方法进行左划,右划,出拳,鼓掌,举双手5种动态手势识别。分别在静态和动态环境下对手势识别的识别率和鲁棒性进行实验,并利用本文提出的系统实现了相应软件的控制,实验结果表明所提出的算法能够在各种环境下达到理想的识别效果。