近年来,智能可穿戴设备的发展趋势非常迅猛,如智能手表等已经成为人们的日常生活中常备设备。同时,因其内置了丰富的感知能力、具有较强的计算能力,能实时获取人体运动状态信息和相较与图像信息具有隐私侵入性小等优点,使基于可穿戴设备传感器的人体行为感知已成为近年来计算机行业领域中新兴起的研究前沿方向之一。本文的主要目的是围绕基于机器学习和智能可穿戴设备的手部动作识别与智能家居的控制方面展开了研究,利用人体运动所产生的传感器信号,通过数据的分析处理,结合所设计的分类算法模型来进行手部动作的感知分类。本文对用户的日常手部动作做出了分析,并创建了一个手部动作数据集,随后对数据集进行处理分析,利用所设计的改进的曲线特征手部动作截取算法完成对完整的手部动作传感器有序序列的分割和截取,再对其进行数据格式的模板化处理。最后利用手部动作样本数据集对所设计的卷积神经网络模型进行训练,用以实现对手部动作的分类识别。本文采用当前流行的商用智能手表完成对12种类型的手部动作的收集,利用采集到的数据对所提算法进行了验证,尝试对这12种悬空书写的手部动作进行分类,完成对悬空书写汉字和阿拉伯数字等手部动作的感知。本文的主要研究分为两大部分,它们分别为手部动作传感器信号的前期处理以及手部动作的分类感知。在第一部分中,本文对12种手部动作的加速度和陀螺仪传感器数据进行了收集和预处理,提出了一种基于改进的曲线特征手部动作截取方法实现对完整的手部动作片段的截取,同时整理设计了一套数据格式的模板化处理方案,对分类模型输入数据进行格式化处理。在第二部分中,本文结合实际的应用场景和设备计算能力,设计了一种新的卷积神经网络模型用以实现对手部动作的分类;其中,多时间序列和部分权重共享技术的应用有效提高了算法识别精度;在此部分,本文还针对部分权重共享技术的应用对反向传播算法做出了修改,使算法能进行正确的建模。本文共构建了1800组动作数据,并对所提算法进行了验证和对比分析。结果表明本文所提的新的卷积神经网络算法具备较好的识别精度,并优于决策树和传统的卷积神经网络。最后,本文将其在实际的应用当中进行了实现。