随着智能计算、智能感知等技术的发展,人机交互技术与大家的日常生活结合的越来越紧密。手势识别作为人机交互技术的一个重要研究领域,近年来已经成为一个研究热点。传统的手势识别技术主要基于鼠标器和笔、视觉及数据手套等方法,手势识别方法主要有模板匹配、神经网络和统计分析等,这些技术和方法在实际应用中都存在一定的局限性,例如基于视觉的手势识别方法容易受到光照和复杂背景等干扰,导致识别率较低；基于数据手套的识别方法,用户需要佩戴特殊的传感设备,非常不方便。2010年,微软公司发明的Kinect体感设备问世,该设备可以提取手势的深度数据,很好地克服了光照和复杂背景等的干扰,使手势识别技术迈上一个新的台阶。本论文通过分析手势识别技术的国内外研究现状,发现基于视觉的手势识别方法中手势分割的效果较差,而且部分算法不具备旋转、缩放和平移不变性。为了克服上述缺点,本论文利用Kinect可以获取深度数据和SURF(Speeded Up Robust Feature)算法具有旋转、缩放和平移不变性的优点,提出了一种基于Kinect深度信息的静态手势识别方法,主要完成了以下几个方面的工作：1、基于深度信息的手势分割方法。首先,从Kinect获取的深度数据中提取用户和背景的索引值,根据用户和背景索引值不同的原理,将人体与背景进行分割,然后根据手势与人体深度值的不同,通过设置阈值的方法,分割出完整手势。2、基于改进的SURF算法的特征提取方法。SURF算法主要包括关键点检测、主方向计算和特征描述三个部分,本论文根据二值图像的特点,对关键点检测和主方向计算两个方面进行改进,提出一种新的特征提取算法。3、基于贝叶斯正则化BP神经网络的分类方法。一般的BP神经网络训练方法容易产生过拟合现象,为克服这一缺点,本论文采用贝叶斯正则化BP神经网络作为手势分类的方法,并与其他方法进行比较,实验表明,该方法的泛化能力比较理想。4、本论文通过分析手指间的夹角特征提出一种基于多分类器决策级融合的手势分类方法。该方法将手指间的最大夹角作为特征提取和分类的依据,建立一个新的分类器,将贝叶斯正则化BP神经网络方法的分类结果与该方法的分类结果进行融合处理,得到最终的识别结果。最后,本论文针对数字手势1-8,对提出的手势识别方法进行验证,分析误差和识别率等性能指标,初步验证了该方法的可行性。通过实验分析,该方法能够克服光照和复杂背景等干扰,因此基于Kinect深度信息的手势识别方法克服了基于视觉方法的缺点,为手势识别技术提供了新的研究方向。该方法可以扩展到多类手势,应用于手语识别等方面,具有很高的应用价值,同时也为进一步研究打下了很好的理论基础。