近年来，由于基于视觉的手势识别技术能够使人以更自然的方法与机器进行交互，越来越受到人们的重视。基于计算机视觉的手势输入技术的特点是对用户的限制少，但是需要处理的数据量大，处理方法相对比较复杂，而在这种情况下，识别率往往不能得到有效的保证。所以如何能找到一种更有效提高其识别准确率的手势识别方法变得尤其重要。　　 集成学习理论是一种新型的机器学习理论。集成学习系统综合多个学习器的学习结果，通常能得到更好的学习结果。本文基于集成学习理论，研究了手势识别方法，具体工作包括:　　 提出一种改进的特征集成方法。该方法首基于信息论理论基础，在Attribute-Bagging(AB)算法的基础上，引入不确定性度量(symmetrical uncertainty或SU)的概念，将所选属性子集对类别的依赖程度作为权值，并采用加权投票的方法将候选分类器的输出进行集成并得到最终结果。该方法克服了AB算法对分类器的依赖，提高了模型的鲁棒性。对比实验结果表明ABSU算法有较高的分类性能。　　 结合粗糙集理论和集成学习理论，提出了一种加权粗糙集集成方法。该方法首先采用信息熵离散化算法对连续型属性进行离散化处理，然后基于可辨识矩阵求出多个约简，并对得到的每一个约简结果训练个体学习器，然后采用分类器分类识别率作为权值，采用加权投票的方法得到最终的集成输出结果。对比实验结果表明该方法具有较高的分类准确性。　　 设计并实现了一个手势识别原型系统，该系统能对八种手势进行识别。实测结果表明该系统具有较高的准确性和一定的鲁棒性。