手势识别是人机交互的一个重要分支,已经广泛应用于生产生活中,改善了生产作业方式,提升了生活质量。针对手语识别的研究对聋哑群体的交流也有着重要意义。在手势识别中,手势主要包含手形、手势位置和运动信息等要素,其中,手形作为做手势时手呈现的形状,是最直接的区别不同手势的描述。因此,对手形手势的识别成为了手势识别的关键。本文总结了国内外对手势识别的研究现状,并分析了现有方法存在的问题。通过分析发现手势识别存在三个方向:基于二维图像的手势识别、基于深度图像的三维手势识别和基于三维坐标等空间信息的手势识别,而目前基于三维坐标等空间信息的手势识别研究较少,且对提取的同属于一个属性的特征没有进行比较和选择,存在冗余特征,影响识别效果。另外,手势识别效果还受到做手势时动作方向的影响。本文主要研究基于三维坐标等空间信息的手势识别,为了改进冗余特征带来的低识别率,改善做手势时动作方向带来的问题,提出了一种基于最优化特征选择的空间坐标三维手势识别方法。本文方法主要包含四个步骤,分别为数据采集、特征提取、最优化特征选择和手势识别。首先,利用Leap Motion传感器采集各个手势关键点的三维坐标数据,然后从中提取自定义的属性和特征。接着,提出了引入XGBoost算法,并结合交叉验证方法用于最优化的特征选择。最后,目标手势的经过最优化选择的特征被用于最终的基于高斯朴素贝叶斯的识别模型,进行识别分类。为了验证本文方法的效果,无方向手势测试集和有方向手势测试集被用于提出模型的测试。实验评估验证结果表明,无论是哪一个测试集,基于本文的最优化特征选择后,识别效果均优于基于其它特征处理方式的手势识别方法。在无方向手势测试集中,最高识别率接近于100%,且在达到高且稳定的识别率时,所需的训练样本数量较其它方法少。在有方向手势测试集中,最高识别率可达95%。本文创新性地结合了数据挖掘方法和机器学习算法,有效地实现了三维手势识别。本文方法不仅具有高效的识别率和良好的鲁棒性,还可以减少手势关键关节点三维坐标数据的采集,同时降低了采集非必要关节点时因手势互相遮挡带来的误差。