手势是一个自然、直观的交互工具,在需求高的人机交互中有着重要的作用,它不仅是一个交流信息的通道,更是一个示范学习的载体。通过手势,人们可以和机器人自然的沟通,使得机器人可以根据人们的意图完成一些高难度、高危险的任务,降低任务的危险性,得到人们首肯。但是现在通过手势的人机交互还不成熟,并且使用价值不高,所以手势识别成为近年来研究的热点和难点。从人机自然交互的角度出发,本文研究了独立于用户视角的手势识别方法,提出了基于动态模糊神经网络的手势识别算法,目前算法主要致力于静态手势的方面。考虑到正向的手势特征不足以充分描述自然手势,本文使用了完备特征集来描述手势特征,根据Zernike矩的重构图像和原始图像的海明距离来判断Zernike矩的最高阶次,确定手势的完备特征集。在特征降维方面,从分类准确性和保持原始图像点与点之间的几何关系的角度出发,本文采用等距离映射(Isomap)方法来对手势特征降维。在分类方面,本文构造了基于动态模糊神经网络的分类器,用来对输入样本的进行分类。在识别阶段,提取测试样本集的特征作为训练好的分类器的输入进行判断。接下来,本文分析了基于动态模糊神经网络的手势识别算法的性能并指出目前存在的问题,而且提出了解决方案。最后本文利用实验证明,Zernike矩的手势完备特征集能等价描述手势特性,同时实验结果显示,用Isomap降维后的特征保存了点与点几何关系。分类器的性能比较实验显示,基于动态模糊神经网络的分类在性能方面优于RBF分类器、BP分类器和LQV分类器性能。最终的实验结果显示本文提出的算法,对于本文采集的10种手势的识别率比较高。