随着计算机在当今社会越来越普及,人机交互的研究将对其产生积极的影响。其中手势被认为是一种可以提供更自然、创造性和直观的人机交互技术。随着Kinect等深度摄像机的出现,深度数据成为手势识别研究的重要手段。在当前阶段,传统的特征提取方法在动态手势识别方面已经能达到令人满意的结果,然而我们忽略了手势中不同结构特征的作用以及非线性关系。本文的主要工作就是融合异构特征,并通过非线性核的表示构建模型,准确分类动态手势。为了从动态手势中获得有效的特征信息,以及探究底层特征之间的非线性关系,本文设计了一种基于多核学习的多特征融合的动态手势识别方法。为获得高辨识力的特征信息,本文考虑采用手势的深度运动图作为特征信息源,分别提取空间多尺度二值直方图和梯度直方图特征作为手势的三维形状结构信息;然后提取手势的时空梯度直方图特征,在时序上利用傅立叶变换将时序特征映射到频域,这样一方面可以对齐特征向量,另一方面可以改变特征的呈现方式;最后,将两种特征融合得到最终的特征描述子,定义为PDL HF~2。考虑到特征描述子的特征维度过高,在低维空间不易寻找线性关系,降低了分类器的泛化能力,本文提出了通过多核学习的的方法选择合适的特征空间训练分类的模型。首先使用正则化方法对特征描述子进行预处理,然后使用不同的核内积关系重新定义两两特征向量为新的特征矩阵的元素,利用核对齐算法计算不同核的权重,得到了一个新的加权融合核矩阵,将新的特征矩阵运用到数据集中对每种手势进行特征选择。最后在公开的两个手势库MSRGesture3D和SKIG上进行实验的性能评估,可分别得到100%和99.44%的识别率。实验结果表明,所提出的方法与现阶段最新方法相比具有最优性。综上所述,本文使用公开数据库MSRGesture3D和SKIG,使用一系列时空结构特征提取的算法得到特征数据,使用多核学习方法映射特征矩阵,并对结果进行对比评价。结果表明,本文的方法对噪声具有鲁棒性,同时对于深度数据的手势分类十分有效,也证明了本文方法相对于单纯使用传统特征提取算法有更好的分类效果。