随着物联网技术的快速发展，人与物之间的交互活动日益频繁，利用很自然的方式——人的手势动作，去与物进行连接，用简单的手势动作代替纷繁复杂的操作与机器人进行交互，而基于光学的手势识别已成为研究热点，为利用Leap Motion进行手势识别、多自由度机器人控制技术研究提供了可能。本文主要包括两个部分：一是手势识别算法的研究，二是利用识别到的手势动作实现机器人的控制，让机器人执行特定的动作。主要研究工作如下：　　(1)分析了各种体感传感器的优缺点，选用Leap Motion作为本文的传感器，分析了国内外的手势识别算法，最终确定用机器学习的方法对手势动作识别进行研究。　　(2)对于静态手势动作，提出了基于虚拟球半径和基于力度值两种特征。利用提出的k-meansplus算法求出特征阈值ST：基于虚拟球半径的手势识别，握拳动作的ST1=45.57315，伸展动作的ST2=58.8543。基于力度值的手势识别，握拳动作的ST3=0.805725，伸展动作的ST4=0.126575。相比于k-means算法，k-meansplus算法在基于虚拟球半径特征中，握拳手势动作正确率提高16％，伸展手势动作正确率提高13%。基于力度值的特征中，握拳手势动作正确率提高41%，伸展手势动作正确率提高12%。　　(3)对于手指数量识别，一是利用k-meansplus算法对图像进行了二分类，分类效果好。二是基于骨骼模型识别手指数量，五个手指伸出与弯曲关节点信息不同，通过给伸出手指分配密钥的方式，实时检测动态密钥数组ArrayList的长度，数组长度就是手指的数量。　　(4)对于动态手势识别问题，采用HMM，通过EM迭代求出最优参数prior(2n)、transmat(2n)、obmat(2n)，利用最大对数似然的方法确定出手势动作所属的类别，对Roll、Yaw、Pitch手势动作进行测试，取得了较高的识别率。　　(5)对于相似的手势动作，使用引入松弛变量?和惩罚因子C的SVM，测试不同惩罚因子C在不同的核函数下各自的识别率，得出选择高斯核函数作为本文的手势识别SVM方法的核函数，并且在其它相似手势动作提前不知道是否线性可分的情况下，优先选用高斯核函数。　　(6)设计与开发了手势识别系统，对手势动作进行测试，体现了系统具有实时性、识别手势动作多样性、识别率高、快速性等特点。　　(7)设计与开发了多自由度机器人控制系统，将识别的手势动作应用于机器人的控制中，进行了搬运物体测试，完全依靠手势动作完成了机器人的控制，真正实现了人与机器人之间的人机交互。体现了用手势动作控制机器人的简单、易用、方便，证实了手势动作控制机器人的可行性和可用性。