随着人工智能技术的不断发展,人机交互的需求日益提高。其中,手势识别技术在人机交互领域中的应用很是广泛。手势识别是指利用信号采集设备对个体的手势运动姿态进行采样,传输至计算机,使用模型算法对采样数据进行处理和分析。基于可穿戴传感器的手势识别系统具有便携高效,交互性能良好的优点,在商业方面的前景非常广阔。实际应用场景中,手势识别技术容易受到诸多因素的干扰。包括在环境因素下手势动作前后的无法控制的抖动、手势幅度太小太慢都会影响手势有效段的分割;不同人的手掌大小不一和手势习惯不一,手势数据具有个体差异性;同一用户的手势习惯可能会随着时间的推移而发生变化,传感器也会随着时间发生老化等变化,导致识别模型准确率下降;为了表达连续手势语句,用户需要一次性连续做出多个动作,期间动作出错、识别模型误识别会导致连续手势语句结果容易出现错误。为了弥补手势识别算法现状的不足,本文提出了基于惯性传感器和柔性拉伸传感器的高鲁棒性手势识别技术的研究。（1）本文首先构建了手势识别基本处理流程框架,框架为数据采集、数据预处理、特征提取、模型离线训练、模型在线识别、模型在线增量更新的流程。手势数据集定义了静态、动态、连续手势动作。由传感器收集到的连续数据流进行预处理得到标准化的数据,对于处理后的连续数据流进行有效段的手势分割检测,预分类手势段为静态孤立手势和动态孤立手势两类。将提取到的孤立手势段分别针对静态和动态手势采取不同的特征提取方法提取有效特征。在离线训练阶段将静态手势特征和动态手势特征分别送往不同的手势分类器中训练。对于静态手势,本文通过计算手势数据与聚类中心点最近点分类静态手势。对于动态手势,本文采用卷积神经网络的方法进行分类识别。（2）为了提升模型在干扰条件下的鲁棒性,本文在连续数据流的分割阶段,提出了基于信息熵的自适应窗口差分阈值的分割算法,以适应手势的抖动、幅度等变化。针对个体差异性,手势习惯、传感器变化的问题,本文提出对手势模型进行在线的半监督增量更新。对于连续语句,本文设计了编解码网络对句子进行检错。实验表明,手势识别的鲁棒性在上述算法上得到了提升。