智能可穿戴设备（例如智能手环、智能腕带、智能腕表）已经逐渐地融入人们的日常生活当中,成为了人们不可或缺的一种辅助型智能硬件,它们不仅可以记录日常活动信息,比如步数、睡眠质量、卡路里消耗量、心率等,同时也给人们提供了一种新的人机交互的手段,手势识别功能也添加到了这些智能可穿戴设备中,比如抬腕亮屏、手腕翻转切换界面。本文提出的基于智能腕表的手写识别技术着眼于真实情况下用户佩戴智能腕表进行信息记录的场景,能够对现有的细粒度动作识别手段形成有效的补充。本文通过对可穿戴设备的智能输入方案的深入研究,提出了一套基于加速度计和陀螺仪的手写识别方案,该方案致力于研究跨用户条件下的细粒度手写动作识别技术。本文的主要研究成果包括:（1）充分发挥深度学习模型在提取高层语义特征方面的优势,设计了一种多模态的卷积神经网络（Convolutional Neural Network,简称CNN）用于序列化数据的特征抽取,以分层的方式抽象出单模态内部的隐式表达并进行多模态之间的融合,构建出挖掘深层信息能力更强的特征提取模型。（2）利用双向长短时记忆网络（Bidirectional Long Short-Term Memory,简称BLSTM）对时间序列进行建模,充分利用时序依赖性和语义信息来更好地预测输出,并将连接时序分类算法（Connectionist Temporal Classification,简称CTC）引入到基于传感器数据的动作识别中,有效地避免了传统方法中预分割导致的精度下降问题,从而实现了端到端的识别机制。（3）针对本文提出的基于腕表的手写识别方案,设计了一系列实验来验证该方案的识别性能,同时也详细分析了影响系统性能的主要因素,然后利用商用的Ticwatch实现了原型系统。本文首先阐述了基于智能腕表的手写识别研究的背景与研究意义,分析了现有研究中存在的不足,接着对基于传感器的动作识别技术进行了简要概述,然后详细介绍了本文提出的手写识别方案中各个模块的技术细节,设计并实现了一个手写识别原型系统,进行了详细的实验评估与实验分析,最后对研究工作进行了总结并对未来的研究工作进行了展望。