当前计算机技术及其相关产业正在蓬勃发展,“和谐人机交互理论以及智能信息处理”成为国家科技发展战略方向,“虚拟现实技术”及“智能感知技术”成为其中的前沿课题。手势本身表达简捷方便,因此逐步受到世界各地科研工作者的重视。过去基于智能穿戴设备的手势识别技术已经取得了阶段性成果,但复杂的硬件使其应用场景出现了诸多的限定条件,因此当前研究主流的手势识别技术多基于视觉。稀疏表示、压缩感知理论的出现及其在模式识别的突出表现,使得该领域的研究有了全新的道路和前景,但目前相关的研究还十分有限,并且在应用场景层次的研究甚为迟缓。因此,深入研究稀疏表示手势识别算法有着重要的理论价值以及现实意义。针对研究课题,本文的主要研究工作包括以下几个方面:1、针对现有手势识别中常采用的轮廓特征在手势识别类别增多的情况下分类效果较差,本文采用边缘特征作为手势的全局特征,然后对得到的边缘特征进行简单的归一化下采样操作,以此抵销手势形状畸变以及小角度旋转带来的影响。同时为了提高识别精度并满足不同应用场景中对于手势旋转处理要求的差异,融合边缘和SURF两种特征,在测试样本进行分类之前赋予不同权重,最后应用稀疏表示算法完成分类,与已有算法相比,只进行了一次稀疏寻解过程,降低了系统的复杂度。2、针对手势分割过程中,场景中可能出现的人脸和大块类肤色区域干扰,本文不进行专门的人脸和类肤色去除方案,而是将这些区域提取相关特征后作为潜在手势区域,直接作为稀疏表示分类器的输入,通过稀疏表示分类中的异类排斥方案,直接实现非给定样本类别的拒识。该方案可以避免现有研究中独立的人脸减除步骤,从而降低了算法复杂度,提高了识别系统的性能。3、针对现有多数手势识别方案中,只进行已定义手势样本归属判定,而不能处理未定义手势样本,本文算法利用稀疏表示分类器的异类排斥方案,进行未定义手势行为的判定。该方案可以有效的防止未定义行为误识别所导致的系统误操作,从而提高系统的实际应用价值。