近些年来,VR(虚拟现实)设备越来越受到人们的喜爱,全球前列技术公司也纷纷布局VR市场。其中数据手套就是当前国内外研究热点。但当前的数据手套手部姿态采集大多使用惯性传感器,惯性传感器占据手套体积较大,穿戴不方便。另外由于手势识别算法的问题,都存在精度不高,实时性不强、训练时间长的缺点。本文主要工作是基于BP神经网络设计一个手势识别算法,并实现一个实验平台。本文数据手套选用Forte数据手套。Forte数据手套手指传感器采用弯曲传感器Flex,该传感器存在“角度—电阻”之间的映射,测角度转变为了测电阻,因此大大缩小了手指传感器的体积。针对Forte数据手套的特点,在人体手掌生物学和力学分析,根据手套和手指之间的贴合程度,计算Forte数据手套传感器和手指的传导关系。本文选取手指中的食指作为手部运动模型建立的的示例,以食指为基础建立整个手掌运动模型。本文主要的创新点是在手势识别上,以BP神经网络为基础,针对传统BP神经网络手势识别算法较慢的收敛速度,会导致计算轻易的进入极小局部值,特别是在不稳定的误差函数曲线时出现的缺陷。设计一个GA加混沌算法共同修正BP神经网络的方法,其中GA算法可以对权值进行全局优化,混沌算法进行反向学习过程修正,在优化过程中,手势匹配采用最小误差法,这样可以有效的降低手势切换过程的干扰。由此设计了一个全新的CGA-BP神经网络算法,具有精度高、实时性强和训练时间短的特点。最后基于Unity3D和Visual C++设计并实现一个仿真实验平台。本文最后对设计的数据手套进行了仿真试验和测试,仿真效果显示该手套能够非常准确实时的将手部姿态反应到计算机。最后的试验结果表明,本文设计的CGA-BP神经网络算法可以有效的解决手势识别处理数据的能力,在精度、实时性和训练时长等方面都有了很大的提高,在手指传感器方面体积也大大缩小,使可穿戴设备更加便捷。