机器人技术的发展日新月异，在我们的日常生活中，机器人随处可见。但是，若想让机器人真正的融入到人类的社会中，则机器人必须具有能够理解并学会与人之间的交流方式。而在众多的新型人机交互技术中，手势识别以其简单自然的交互特点和丰富的表达能力深受研究人员的青睐，有着广阔的应用前景。　　针对静态手势识别，首先通过 Kinect传感器获取手势的深度信息和彩色图像，选择合适的深度阈值从彩色图像中将手势区域从复杂的背景中提取出来；然后在 HSV颜色空间下对手势图像进行肤色分割，并对获得的手势二值图像进行中值滤波处理，去除图像中的噪声；再对手势图像进行特征提取，从图像中计算得到七个HU矩不变量和两个紧密度特征；最后使用HU矩的前三个不变量和两个紧密度特征作为特征信息，对 SVM进行训练，并使用训练得到的分类器进行手势的分类识别。实验结果表明，该方法对背景干扰、光照变化、平移、旋转和缩放等影响具有很好的鲁棒性，且准确率高。　　针对动态手势识别，首先利用 Kinect传感器对手势进行跟踪，通过确定手势骨骼运动信息的起点和终点来获取手势的运动轨迹序列；然后使用分类决策树，根据手势中点与起点、终点形成的向量角的大小，对手势进行初次的分类，缩小手势的识别范围；最后对 DTW算法进行了优化，将搜索路径限制在一定的斜率范围内，以减小计算量，缩短路径搜索所需的时间，并对累计距离设置合适的阈值，当矩阵中某一行的累计距离都超过阈值时，提前停止搜索。实验结果表明该方法在保证识别率的前提下，提高了算法的识别速度。　　最后，本文将研究的手势识别技术应用到了智能机器人 NAO的运动控制中，实现了自然的人机交互。