在移动电子设备高速发展的今天,人们的生活已经和移动智能设备紧密的结合在了一起。人机交互是用户和机器系统联通的桥梁,人机交互的主要方式有:键盘、触屏和语音识别。然而,由于移动设备的尺寸限制使得键盘操作的用户体验大打折扣。同时,语音识别由于受到性别、语速、发音准确度、周围环境噪声、麦克风质量等因素的影响,语音识别的准确率一直达不到较高的水平。因此本文提出了一种基于MEMS惯性传感器的手势模式识别方法。该方法的本质是通过惯性传感器对手势的原始数据进行采集,然后将采集的数据传输到电脑或者手机当中进行预处理,其次进行特征量的提取,最后设计分类器进行分类和识别。当前的研究方法主要分为5类:隐马尔可夫模型、模糊神经网络、动态时间匹配、轨迹重构方法和手势原始数据统计分析,本文选择的是基于手势原始数据统计分析方法。基于MEMS惯性传感器的手势模式识别仍然处在较为初始的阶段,对于该课题存在着许多困难,比如特征量的提取和分类器的设计等。本文围绕这些问题开展了一系列研究,课题的主要工作包括:(1)本文对MEMS加速度计和陀螺仪进行了误差分析,并针对MEMS惯性传感器的误差模型提出了一种传感器的标定方法,对传感器的随机误差采用了滤波器进行滤波,保证了算法的精度。(2)在进行特征量的提取过程中,提取的特征量在较大程度上避免了个体性差异,使得识别算法不受个体的影响,具有较大的应用范围。通过坐标系转换、姿态更新和陀螺仪的引用使得识别算法对设备姿态的要求不再严格,用户基本在任何情况之下都能准确的对手势进行识别,大大提高了该算法的应用范围。(3)根据所提取的特征量设计了分类器,该分类器能够准确的将四个大类手势进行准确的识别,在进行预分类之后,对手势的各个小类进行方向和次数的识别。在结合加速度传感器和陀螺仪两个传感器的情况下,各个小类都能够被准确的进行分类,每类手势的平均识别率都可以达到95%以上。