随着计算机技术的发展和智能设备的普及,人机交互在人们的日常生活中显得非常重要。人们开始追求一种更自然、更智能、更符合人类交流习惯的交互方式。基于手势的人机交互具有自然直观的特点,并且可以实现非接触式的交互。因此,手势识别技术逐步成为人机交互研究的主要研究方向。目前,手势识别技术已经取得较大发展,但是在实际应用中仍具有以下难点:（1）实际应用中手势图像的背景往往包含形状复杂、颜色多样的非手势区域以及人脸和其他身体肤色部分的干扰,同时光照变化导致肤色模型难以适应各种肤色。（2）由于手势几何结构简单,特征有限,可提取信息较少,此外手势同时具有多个自由度且人手本身存在肤色、尺寸的差异,因而手势特征的提取比较困难。针对手势分割和识别方法存在的问题,本文的主要贡献和创新点包括以下几点:（1）在手势分割方面,在直方图对比度显著性检测模型基础上,依据手势的颜色分布聚类特征,提出了肤色-对比度模型。依据手势的区域特征,引入了超像素分割,提出了超像素对比度模型。为进一步优化分割边缘细节,引入GrabCut（图割）模型,针对其需要用户标定前景区域的缺点,使用肤色检测自动标定前景区域大致区域,对其迭代导致的运算速度慢的问题,采用超像素代替像素,并结合边缘特征改进Gibbs能量模型,实验表明该模型较原GrabCut模型具有更好的分割效果。对于类肤色区域,提出了基于Haar特征的人脸及类肤色区域去除算法。对于检测出人脸区域直接去除,针对其存在的漏检问题,考虑位于图像边界的不完整人脸区域,通过肤色聚集区域质心与边界距离去除,最终通过保留最大连通域的方式去除其余较小的类肤色区域及噪点。实验表明该方法可较准确去除手势以外的类肤色区域。（2）在手势分割方面,提出了基于组合不变归一化的手势融合特征提取方法。由于手势是三维空间的形变体,考虑到其在空间中的旋转,在Hu矩的基础上引入了仿射不变矩和傅里叶描述子并进行特征及融合。最后通过实验验证了该方法较单一特征识别率有显著提高。