新型APP的大量应用,对交互形式提出了更广泛的需求。目前,传统的基于摄像头、传感器的交互形式均存在不足,前者容易暴露用户隐私,后者用户体验则有待改进,因此越来越多研究者把目光投向如何利用智能设备的声波开展动作交互。目前的声波手势识别方法主要有基于低频录音信号、多普勒频移、相位差和收发信号相关性这四类方法。低频录音信号易受环境中噪音的影响,且无法识别非摩擦手势;基于多普勒频移的方法只能识别简单的手势;基于相位差的方法只能获取相对位置的变化,要求用户手势是一笔完成的;基于收发信号相关性的方法只能获取绝对位置的变化,要求身体其余部分不能动,否则无法区分目标物体移动路径。为了解决上述方法的限制,本文提出一种基于高频声波的手势识别方法Acoustic Gesture。使用高频声波避免低频环境噪音干扰,采用深度学习训练模型识别复杂手势,同时消除上述方法要求身体其余部位不能动的限制。主要研究内容有如下几点:(1)为了解决动态手势与静态手势的预分类问题,避免使用频域特征预分类导致较大的延迟,提出一种基于时域周期信号峰值及方差的信号提取方法,提出动态阈值选择方法实现在线更新阈值。(2)为了解决复杂手势识别及取消身体其余部位不能动的限制,研究基于高频声波手势识别的方法,分析动态手势和静态手势对信道产生的影响不同,分别提出使用时频特征训练动态手势模型,以及使用频谱特征识别静态手势的手势识别方法。(3)设计并实现基于Android智能手机高频声波的手势识别系统。对Acoustic Gesture进行充分的实验评估,分别从不同用户、不同场景以及相关研究进行比较,实验结果表明,Acoustic Gesture对硬件要求低,不受外界噪音影响,对用户手势限制小,具有较高的鲁棒性,识别正确率高,使用卷积神经网络(CNN,Convolutional Neural Network)特征提取后正确率提升5%左右,识别字母、数字、动态手势、静态手势正确率分别达到97.4%、95.5%、99.9%、97.4%。