随着技术的发展与完善,各式各样的智能设备正在进入我们的生活,诸如机器人、可穿戴设备、智能家具以及虚拟现实眼镜等等。这些产品的问世极大的方便了我们的生活,然而,交互能力不足却又限制了它们发挥更大的作用。触控技术的成熟曾极大的推动了智能手机的普及,而现在触控技术已经不能满足人们对于设备的体积以及交互性能所提出的更高的要求,这也就意味着一种全新的、使用高效同时操作简单的人机交互技术亟待被开发。手势作为一种简单、自然的肢体行为,在我们的生活中常常扮演着辅助语言完成交流的角色,在很多情况下,它可以表达语言所不能描述的人类意图。因此研究高效的手势识别技术,作为智能设备的人机交互手段,有着巨大的应用需求和前景。目前关于手势识别的研究根据使用传感器不同主要可以分成三种途径:数据手套、手持设备以及机器视觉。其中通过机器视觉实现手势识别的方法因为硬件成本低廉,且属于非接触式的方式,交互更加自然,相比有着更大的应用优势。基于机器视觉实现手势识别技术,需要使用摄像头来获取图像信息,通过检测图像中的手势的位置并提取手势特征,借助分类算法来完成手势识别。传统的手势识别方法容易受环境条件影响,往往在识别结果的准确性和鲁棒性上距离实际应用有着一定的差距。本文提出了一种借助RGBD图像来实现手势识别的方法。首先在深度图像上,利用支持向量机训练基于HOG特征的手势分类器,用于图像序列中手势位置的检测。考虑到手势的高度可形变性,因此仅训练一种特定手势作为初始手势。在通过检测得到初始位置后,使用CAMSHIFT跟踪手势目标,定位出每一帧图像中手所在的区域。为了更加精确提取手势所包含的区域,本文介绍了一种基于多次种子点生长的手势分割算法,通过种子点生长算法和基于形状、深度信息的弱分割器交替级联,可以实现对手势区域的精确分割。本文采用两种方法来识别手势,分别是基于手势几何特征的模板匹配法和实现端到端识别的卷积神经网络。对上述每一步,本文均设计了实验。实验结果证明,基于RGBD图像的手势识别方法能够实现高精度以及高鲁棒性的识别效果。同时,该方法还可以实现对同一图像中多个手势的检出和识别,极大的体现了该方法的优势。最后,该手势识别方法被应用于机械臂控制,实现了机械臂对手势的实时随动效果。