手势可以传递的信息不仅直观、形象，而且可以相互组合成多种手势用于传递信息，在智能驾驶、智能家居、汽车工业等领域有着广阔的发展前景。特别是在智能家居领域中，手势识别技术可以定义更高效、更人性化的交互方式，因此一直是热门的研究课题。　　最初，手势识别算法基于彩色图像展开，但是彩色图像容易受外界环境如光照、阴影、颜色等影响。同时，彩色图像不包含距离信息，使得特征提取时很难从中挖掘更多的特征信息。2010年微软发布了Kinect深度摄像头，能够同时采集彩色图像和深度图像。其深度图像包含三维距离信息，解决了光照、阴影等环境的影响。因此，本课题主要研究内容为利用 Kinect 深度摄像头，设计适用于智能家居中的人机交互手势，研究并实现实时性高、准确率高、鲁棒性好的手势识别算法。本文手势识别算法主要分成两个部分：手关节点定位算法和手势分类识别算法。　　手关节点定位算法重点研究了手部位识别，通过对手结构和手运动特征的研究，提出了基于随机森林的手关节点定位算法。利用 Kinect 摄像头采集手深度图像，设计了手部位划分方案，分析了深度图像特征，针对手部位提取深度特征，引入随机森林算法对图像像素点分类，通过类别分类完成了手关节定位。　　手势分类识别算法重点研究了手骨骼追踪，在获取得到手关节点三维位置的基础上，建立了手骨骼模型，设计了描述手运动的结构向量，提取了结构向量间夹角和距离组成描述手势运动中角度和相对位置变化的特征向量，引入SVM实现对不同手势的分类。　　针对本文的应用场景，搭建了智能家居人机交互系统，设计了一套应用于智能家居中的手势交互动作。通过实验表明，本文的手关节定位算法可以准确且快速地对图像像素点分类，并且准确地找到手关节点位置，分类识别算法对复杂手势动作识别的准确率高、鲁棒性强，能够满足实时性要求。