手势交互是人机交互的重要组成部分,近年来在物联网、工业演示、虚拟现实、体感游戏等领域受到了广泛的应用。手势识别的研究一直是学术领域的热点,学者提出了许多方式,例如基于数据手套的手势识别等,但是这些方法存在一些弊端,如用户使用时需要佩戴设备并需要校准,操作过程繁琐,这不符合人机交互对于自然性的要求。本文通过对国内外手势识别相关技术分析发现传统算法准确率低,手势分割效果差,部分算法不具备鲁棒性。针对上述的不足,本文使用神经网络对传统的手势识别算法进行改进,设计基于神经网络的静态手势识别算法。本文完成的工作包括以下几个方面:1.改进手势分割方法。首先对于传统手势识别过程进行分析,对比了常用的手势分割方法,根据结果选择基于YCr Cb高斯肤色模型的肤色分割方法。首先考虑到人脸和手部肤色一致,使用人脸位置检测算法对人脸进行遮挡。在肤色处理后,使用连通区域算法选择最大的连通区域即是手势区域。该算法可以高效去除手势图片的背景并且完整的分割出手势区域。2.将神经网络算法应用于手势识别。针对传统手势识别方法,阐述了模板匹配法、统计学习法的优缺点,两种算法局限性较大,对数据集要求高。最终选择了基于神经网络的手势识别方法。本文对比了不同类别神经网络的性能,同时比较了不同优化算法对实验效果的影响,研究了不同迁移学习训练的效果。在分析了实验结果后,从中选定了最优算法。使用神经网络中的深度残差网络Resnet-152对手势数据集训练,将训练生成的网络用于设计手势识别系统。3.搭建实时手势识别系统。使用基于3D模型的手势识别方法,利用Mediapipe框架实现了对于中文数字和字母手势的实时识别。同时使用Open CV软件完成了简易实时手势识别系统设计。这两个子系统作为对于本文基于神经网络的非实时手势识别系统的补充。最终,本文设计了3个子系统,一共可以识别49种不同的静态手势。实验的结果表明,本文的手势识别准确率最高可达到93.58%。本文所提出的算法将有助于在未来实现更自然、更和谐的人机互动。