随着计算机技术的发展，人机交互一直朝着人性化与简单化的方式不断的持续发展，而手势识别是人机交互的一个重要方式。相比较鼠标，键盘等接触式的操作方式，自然而直观的手势更符合人的自然行为。基于计算机视觉手势识别技术对环境背景要求高，通过Kinect传感器获取的深度图像可以解决该问题。因此研究基于深度信息的手势识别对提高人机交互效果，推动人机交互技术在各行各业的应用具有重要意义。本文对基于深度信息的手势识别进行了较深入的研究，开发了一个手势识别系统，研究内容如下：首先，分析了手势识别研究的背景及意义、国内外的研究现状，给出了常用的几种手势识别算法。其次，研究了Kinect传感器内部结构和工作原理，以及利用OpenNI框架获取深度信息并进行预处理的具体方法。再次，研究了基于Kinect深度信息的静态手势识别算法。先介绍了手部提取的算法。然后研究了传统的手指检测方法，同时，对静态手势提出了一种阈值拐点检测法，该方法能准确提供手部的重要信息：指尖、手指、掌心的准确位置，提供信息让手部与系统做即时的互动。本系统可以在复杂背景的情况下准确的判断手指和手心的位置，并且容许手掌和手臂一定程度的翻转。最后在手指识别的基础上，实现了手指名字和数字手势的识别。最后，对动态的手势识别做出了深入的研究，先使用了Kinect SDK获取用户索引和人体的骨骼特征，并进行了平滑处理。然后研究了DTW动态规划算法的原理，根据DTW算法识别手势的时候不同的关节点的权重是不同的，提出加权DTW动态规划算法，实验证明该算法能有效地用统计方法进行训练手，然后通过分析手势轨迹特征与加权的骨骼关节点序列匹配达到识别的功能，能识别挥手、移动、推动等动作。该方法识别稳定，不受背景、距离等的影响，能满足远距离的动态手势识别的需要。