随着人工智能的发展,手势识别作为人机交互领域的一项重要技术逐渐成为了人类生活中的重要组成部分,而随着近年来三维视觉传感器产业的兴起,深度信息也被越来越多地用在了手势识别技术上。但目前基于深度信息的手势识别技术仍存在诸多问题,主要集中在手部分割和特征提取部分,包括复杂场景下分割鲁棒性低、特征提取质量较差、算法计算量大等问题。本文介绍了一种基于深度信息的新型手部分割和特征提取算法。手部分割以结合前后景和深度直方图的阈值分割方法为基础,辅以图像预处理和平面检测等方法,以提高手部分割的场景自适应性。特征提取以基于Mean Shift的轮廓优化方法为核心,提高轮廓特征的质量,并通过提取内轮廓和外凸包的Hu不变矩组合,得到一种新型的基于轮廓信息的特征向量。本文根据预定义的复杂场景,包括微距、家庭、车载和公共空间场景,以计算速度、场景自适应性和分割准确性为考量评估该算法性能。最后将该算法分别与SVM和CNN分类器模块级联形成两类高精度低复杂度的手势识别系统。与其他算法方案相比,本文算法能够在普通PC平台(Intel Core i7,无GPU加速),针对Kinect2.0深度图像(512x424像素)和EPC660深度图像(320x240像素),提供兼具实时性(最高33.1fps)、更好的场景自适应性和更高准确性的手部分割和特征提取功能,并提升手势识别系统在复杂场景下的手势分类精度,基于SVM的手势分类精度达到90%以上,基于CNN的手势分类精度达到92%以上。