人体行为动作分析作为人机交互领域的重要组成部分,是学者们一直研究创新的重要研究课题,而在人体行为动作中,手势动作识别有着自然,直观,表达信息丰富,灵活的特点,因此,更加符合人机交流习惯的手势动作识别技术的研究变得炽手可热。基于此,本课题以微软公司提供的KinectV2作为手势动作的采集设备和人机交互介质,对静态手势识别和动态手势识别算法进行了研究和优化,并在虚拟平台中完成了测试。文章主要工作内容如下:首先,针对静态手势在识别过程中迟缓问题,提出了一种基于骨骼图像和深度图像结合的快速手势分割算法,通过提取手势图像的梯度直方图(Histograms of Oriented Gradients,HOG)特征,利用支持向量机(Support Vector Machine,SVM)进行静态手势的训练与识别,从而实现了手部区域的快速准确,分割和手势的准确识别。其次,针对隐马尔科夫模型(Hidden Markov Models,HMM)不能有效排除未定义手势的干扰缺陷,通过对手势模型进行概率阈值设置和编码种类限定来排除原HMM模型算法中未定义手势的干扰,从而有效提高定义手势的识别率,实验结果表明,该方法能有效排除未定义手势的干扰,对手势动作有较高的识别率。进而,针对HMM模型不能满足人机交互过程中的实时性问题,文中提出了一种基于人体骨骼数据的实时动态手势识别方法,该方法通过提取各个关键骨骼节点的夹角特征作为特征向量进行手势匹配识别,通过对动态时间规整(Dynamic Time Warping,DTW)算法进行加权改进,解决了因个人习惯不同而造成动作特征序列的长短不一对手势识别的干扰问题和实时性差问题。实验结果表明,改进的DTW算法能够使匹配路径尽快的收敛,大大减少识别时间,并在虚拟仿真平台中对手势的实时性和有效性进行了验证。最后,在虚拟仿真平台中搭建了一个体感游戏系统,并将论文中的手势识别算法应用其中,很好的实现了手势的快速、准确识别,满足了人机交互的实时性,从而也验证了算法的有效性。