作为人机交互的重要方式之一,动态手势识别技术在“国家重点研发计划”中被多次强调,已经引起了各行各业的广泛关注。此前,大多数的研究都是通过普通摄像头来捕捉动态手势从而获得手部特征信息,但这类信息通常比较粗糙且不能很好的代表动态手势。而随着一批深度视觉传感器如Leap Motion的出现,为动态手势识别研究带来了可靠的数据保障。但是目前基于Leap Motion,国内外研究人员在一些美式手语和日常手势的分类与识别研究上取得的识别准确率不是很高。因此,本文旨在提高对这类常用动态手势的识别准确率,提出一种基于Leap Motion和双向长短期记忆网络的识别系统,在选择哪些手势特征来代表动态手势、如何有效地捕捉到动态手势和如何设计合适的识别模型这三个方面来进行研究。首先,针对选择哪些手势特征来代表手势,本文提出了一种能有效代表动态手势的手势特征向量组。向量组中的每一个向量均由26个手势特征值组成,这26个手势特征值可以分为六大类,分别是指尖与掌心的距离、手指与掌平面夹角、指尖距离掌平面的高度、相邻两指间距、相邻两指与掌心连线夹角和掌心坐标。向量组中向量的个数随动态手势执行时间变化。然后,针对如何有效地捕捉到动态手势,本文设计了一种有效的动态手势采集算法。通过侦测Leap Motion中当前帧和前一帧之间的掌平面三维转动差角和当前帧中手指的移动速度,来判定动态手势的开始和结束,进而采集有效的动态手势。当手掌在传感器三维坐标系中的旋转角度大于对应阈值或者指尖移动速度大于对应阈值,则判定为动态手势执行开始且传感器开始传输手势特征值;当手掌旋转角度和指尖移动速度同时小于等于对应阈值,则判定为动态手势执行结束且传感器停止传输手势特征值。通过采集算法和代表手势的特征值,本文建立了三个动态手势库:带360个样本的美式手语库、带480个样本的美式手语库和带300个样本的工艺手势库。接着,针对如何设计合适的识别模型,本文提出了一种新颖的动态手势识别模型:两层的双向长短期记忆网络。该模型主要由两个双向长短期记忆网络竖向堆叠而成,结合高斯初始化网络参数、周期循环变化学习率、随机失活网络元素和Adam梯度下降。最后,将所建立的三个动态手势库分别按7:3、6:4和7:3的比例划分成训练集和测试集,对所设计的分类识别系统进行了详细的测试、验证与比较。其中,在包含360个样本的美式手语库上,该识别系统在训练集和测试集上分别达到了100%和96.3%的准确率。在包含480个样本的美式手语库上,该识别系统在训练集和测试集上分别达到了100%和95.2%的准确率。在工艺手势库上,该识别系统在训练集和测试集上分别达到了100%和96.7%的准确率。为了进一步验证模型的识别效果,本文对其进行了五折、十折和留一交叉验证。在五折交叉验证中,识别系统在带360个样本的美式手语库上达到了93.33%的准确率;在带480个样本的美式手语库上达到了93.75%的准确率;在工艺手势库上达到了88.66%的准确率。在十折交叉验证中,识别系统在三个动态手势库上分别达到了94.1%、93.5%和90%的准确率。在留一交叉验证中,识别系统在三个动态手势库上分别达到了94.7%、96.4%和90.3%的准确率。与此同时,在同等条件下,将所得实验结果与国内外的研究结果进行对比。结果表明该识别系统在特定动态手势上的识别准确率高于国内外研究中的识别准确率,表现出了更好的识别性能。