动态手势识别是人工智能一个重要的领域,在虚拟现实,聋哑人交流,机器人控制等方面均有广泛的应用前景。近年来,随着集成技术的高速发展,基于可穿戴设备的手势识别研究受到越来越多地关注。本文在总结基于微机电系统的手势识别研究发展现状的基础上,分析了现有基于微机电系统的手势识别研究关键技术特点,提出了基于特征动作序列的手势识别方法。所提手势识别方法主要包括数据预处理、特征动作识别以及基于特征动作的手势识别等步骤。首先,在手势数据预处理的过程中,针对原始数据和特征影响数据挖掘、机器学习的识别上限,采用特征扩展结合特征选择的方法得到手势识别的有效特征集。特征扩展是对原始数据特征集进行线性与非线性特征变换以获得手势识别的候选特征集;基于候选特征集提出基于邻域粒化与不一致性信息度量的属性约简方法以获取使手势识别精度最优的特征子集。实验结果表明,采用所得特征子集结合支持向量机、回归树等分类方法在多个UCI公用数据集上的分类精度均拥有明显提高。其次,在特征动作识别时,针对FCM算法聚类中心的随机性影响手势识别的精度和稳定性,采用多中心化的模糊C均值算法以自适应、无监督的识别特征动作,降低人为定义特征动作的主观性影响。在基于特征动作的手势识别中,改进传统编辑距离算法使得编辑代价能更好体现不同特征动作的相似程度。在识别结果采用相似度最大原则的基础上,比较不同聚类算法和相似度衡量算法对手势识别的影响。实验结果显示本文改进算法较原算法能明显提高手势识别方法的精度和稳定性,手势识别精度可达98%。最后,针对手势识别系统的软件和硬件、手势采集要求和运行结果进行介绍。