近年来,随着计算机技术和人工智能的迅猛发展,使得可穿戴设备广泛应用于人们的工作、学习和生活中,而这些设备也为人机交互领域带来了新的设计理念。手势识别是人机交互中的一种重要方式,可以使用户与机器实现更便捷的交流。文字是现代交流必不可少的一部分,其本身具有能携带巨大的信息量的特点,同时可以准确无误地传递各种信息。在以上前提下,将手势与文字相结合形成的空中手写技术受到国内外学术界的广泛关注,正在逐步成为今后手写识别的发展趋势。基于惯性传感器的空中手写具有低成本、低功耗、高自由度等优势,在医疗保健、智慧课堂等领域有着广泛的应用前景。但是,基于惯性传感器的手写数据容易受到用户不同手写习惯的以及相似字符的干扰,另外还有训练样本稀缺等局限性。基于以上的现状分析,本文对基于惯性传感器的空中手写识别技术进行了研究,主要的贡献包括:1、研究了提取鲁棒识别特征。设计本次研究实验所需要的字符集,采用去极值平均滤波器、有效数据截取进行数据预处理。对时域和频域特征进行定量分析和特征选择,最后基于PCA分析的多模态特征融合,对高维融合特征进行降维从而提取出最小化用户差异性影响的鲁棒手写字符特征。2、提出了基于PCA-F+CNN的识别模型。用PCA-F+SVM算法进行连笔切分解决了连续字符带来的精度下降问题,改用长条状卷积核来解决传感器数据的长宽比问题,用全卷积结构解决输入样本长度不定的问题。3、验证了系统的可行性和有效性。设计了三个部分的实验,分别对预处理、识别过程以及与相关算法研究进行了对比实验。通过实验得出预处理部分去极值平均滤波效果更好,卷积核宽度为2时识别模型性能更优,同时经过融合特征提取的手写识别具有更高的精度,另外本文系统的识别模型准确率要高于DTW和HMM。