多旋翼无人机操控原理简单，可以实现垂直升降，空中自主悬停，近年来它在地质勘测、电力系统巡线、摄影航拍和农用植保等领域发挥了巨大功效，然而由于遥控器的操作方式复杂度高、专业性强，只有经过大量专业学习和飞行训练才能操作；针对这个缺陷，本文对无人机的手势识别控制算法进行了研究，尝试使用手势代替遥控器识别手势指令，对无人机进行飞行控制。主要包括以下内容：　　研究了基于Kinect的手势分割算法。手势分割作为手势识别的第一步，对最终的分类效果有重要的影响。采用Kinect提供的骨骼节点信息可以准确定位手心的位置，针对用户与Kinect摄像机距离的不同导致最后分割窗口中手势所占面积比重的不同，创造一个立方体包围手势，利用Kinect提供的骨骼节点信息跟踪包围手势的立方体在摄像机坐标系下的坐标，然后利用坐标转换，取得包围手势的立方体在深度图像中的坐标并进行分割，即得仅包含手势的窗口，实现手势在复杂背景环境中的提取。　　研究了卷积神经网络的工作原理和训练过程，采用卷积神经网络识别静态手势。由于彩色手势图像受背景环境和光照等影响较大，单纯的由彩色图像提取的手势特征并不可靠。深度图像反映了物体与摄像机之间的距离信息，受光照和背景等环境因素影响较小，提出了一种双通道输入卷积神经网络的手势识别方法，把彩色信息和深度信息同时输入网络进行训练。设计该方法与单纯提取彩色信息特征的网络结构方法进行实验对比，结果显示改进后的网络模型对八种手势的平均识别率从89.7%提高到了95.3%。　　研究了基于动态时间规整的动态手势识别方法。根据骨骼节点信息实现对动态手势运动轨迹的跟踪，并根据骨骼点坐标研究了手势特征和起止点的判定方法。在准确率和实时性在两方面对传统的动态时间规整算法进行了改进，并设计了实验对比，结果显示，改进后的算法对手势的平均识别率从87.3%提高到94.1%，平均识别时间从481ms降低到343ms，证明了算法改进的有效性，为今后应用于无人机的手势识别算法提供了参考。