当前，计算机日益影响着人们的生活方式，人机交互也深入到生活中的方方面面，在虚拟现实、多媒体技术、机器人控制、康复训练等方面有了广泛的应用。为了能够达到比较自然直观的交流形式，手势动作也就成为了人机交互的一个选项，手势识别也成为比较热门的研究方向。手势识别所采用的设备一般有两种，一种是基于视觉的手势识别，一种是基于可穿戴设备的手势识别。这两种方式运用的场景也不太相同，基于视觉的手势识别一般运用于背景简单、光线适度的环境，对于硬件要求较高，活动范围受到一定的限制；而基于可穿戴设备的手势识别不会受到外界环境的影响，能够将手势的变化准确的反映出来。以加速度传感器为信号输入的手势识别已成为很多人研究的方向。本文采用自注意力机制和卷积神经网络相结合的方法进行手势的识别，并且通过建立的模型进行验证。本文主要研究工作如下：
　　1．数据采集和处理方面，不仅有加速度数据，而且引入了角速度的数据，通过自己制作的设备将加速度和角速度的数据进行采集并在电脑端进行存储数据，然后对数据进行移动平均、去噪及归一化处理。采用改进的算法获取有效数据，形成加速度角速度传感器的手势数据集。
　　2．手势的特征提取方面总结了一些传统的方法，然后构建卷积神经网络模型，提取手势特征；在手势识别方面，根据加速度和角速度手势数据的特点，构建基于自注意力机制的网络模型，然后根据手势特征来进行手势识别。
　　3．为了验证多个特征在手势识别过程中的重要程度，设计了多头注意力机制。多头注意力机制可以从输入信息中选取多个信息，对于原有的自注意力机制来说，多头注意力机制可以关注输入信息的多个方面。
　　本文使用了自制数据集和WISDM Lab提供的公共数据集验证提出的模型。实验结果验证了基于自注意力机制的模型能够识别定义的手势，提高了准确率。在基于卷积神经网络和自注意力机制相结合模式下的识别性能较其它模型有一定的提升。