对比传统的平面手写识别,3D手写识别是目前一种新兴的手写识别技术,可以提供给用户一种更加自然和高效的人机交互体验,在这些年逐渐成为了手写识别技术的研究热点,是今后手写识别的发展趋势。同时,基于三维加速度传感器的3D手写识别系统因其体积较小、精度较高、抗外部环境干扰能力较强等特点,在近些年的研究中越来越受到重视。一直以来,特征提取和特征降维是3D手写识别过程的关键技术要点。特征融合算法相对比较固定,而特征提取和特征降维算法则灵活多变,采用不同的算法会产生不同的结果。因此研究3D手写识别必然需要深入研究相关的特征提取技术和特征降维技术。虽然这些年3D手写识别研究已经取得了一定的进展,但在这两个方面都尚待深入,本文就围绕这两个关键技术,提出了新的方法。本文在总结和介绍3D手写识别中主流的特征提取算法和特征降维算法的基础上,提出了一种基于PCA+LDA的特征融合进行分类识别的方法,首先分别提取时域RF特征、频域特征FFT特征,然后对提取的时域特征和频域特征进行特征融合,得到RF+FFT特征,并利用PCA+LDA组合降维,最后采用支持向量机(Supported Vector Machine, SVM)进行分类识别。实验结果显示,采用本文的特征提取技术和特征降维技术,可以构建性能更好的3D手写识别系统,有效地提高3D手写识别系统的识别率。