手语是听力障碍者的主要交流手段,是其生活中必不可少的条件。但正常人中,懂手语相关理论的人较少,这易造成听力障碍者与正常人之间的交流困难。而有效的手语识别技术可以解决这一交流障碍,丰富了听力障碍者的生活。鉴于手语语义丰富,手势特征多样化,因此针对手语语义进行分类识别具有重要的研究意义。本文主要从语义特征提取分析与分类器设计两方面来研究手语,主要研究成果如下:1)本文在研究了手语的各种特征描述,识别分类算法后,将图像语义分析的思维引入手语识别研究中,提出一种优化全卷积神经网络算法(DFCN),以此解决传统特征提取算法仅仅依靠底层特征完成识别,难以获得高层语义特征,易对手语理解产生分歧的困扰,采用优化的全卷积神经网络(FCN)提取手语图像的语义特征,经过多尺度细化策略的上采样操作融合不同卷积层的特征信息,并通过判别随机场(DRF)进行语义标注做后期平滑处理,恢复像素间的细节信息,使网络的特征学习非常充分。2)构建激活函数融合的极限学习机(ELM)分类器,将(RBF)局部函数与(sigmoid)全局函数融合作为激活函数,采用交叉验证的方法确定激活函数的权值,使分类器的学习能力和预测能力达到最佳。实验结果表明激活函数融合的ELM分类性能高于单核ELM,支持向量机(SVM)。最终,对5组静态手语,12组动态手语数据进行实验,结果表明本文提出的算法有效提高了手语分类识别精度,可有效提取到语义特征,将手语归属到对应的类别。