近年来,随着硬件设备的高速发展和可穿戴、移动设备的广泛普及,空中手写(Air-Writing)逐渐受到国内外研究学者和工业界的广泛关注。空中手写,指的是在空中书写有意义的字符和字符串,转化为用户指令的人机交互方式。与一般体感手势相比,空中手写的表意更加丰富,与以鼠标、键盘和触摸屏为代表的传统交互方式相比,空中手写更加贴近人类的书写习惯。在空中手写的众多实现中,基于惯性传感器的空中手写凭借更高的自由度、更低的设备成本和更高的环境噪声抗性,在智能家居、医疗保健等领域有着广泛的应用前景。然而,惯性传感器信号的弱可读性和训练样本的稀缺限制了相关算法的研究和发展。基于以上观点与现状,本文针对基于惯性传感器的空中手写识别开展了研究,主要的贡献和工作包括:1.提出一种基于长短时记忆的识别模型和一种基于卷积网络的识别模型。卷积模型用条状卷积核适配传感器数据,用全卷积结构和均值池化层实现任意长度样本输入。在与传统模型的对比实验中,本文的两个模型在三个受限条件不同的空中手写数据集上均获得了更好的识别性能;2.针对数据可读性差的问题,本文提供了空中手写可视化的新思路,提出两种空中手写域迁移方法,包括基于全注意力机制的序列到序列有监督域迁移模型,和基于自编码隐空间对抗学习的无监督域迁移模型,实现了加速度角速度信号与空间轨迹的双向迁移;3.针对空中手写样本稀缺问题,本文提出一种基于特征图位置编码和深度对抗学习的样本增强方法,生成类别和长度可控的、具有可靠质量和一定多样性的样本,样本以伪标签半监督训练的形式提升了模型的分类性能。