手势识别是人工智能领域中意义非凡的一项技术，因为与传统人机交互的方式相比，其方便、灵活、对硬件需求不高等优点，使得它在人机交互领域有着重要的意义。人们习惯利用键盘和鼠标等电子设备输入指令，控制机器得到响应，但是在一些特殊环境下，如对电子器件有干扰的湿润环境、对无菌操作有严格要求的实验室中这些设备的使用会受到一定程度的限制。这中情况下，利用手势传达命令将使得上述问题得到完美解决。手势的表达可以脱离设备的束缚，在一定范围内可以自由发挥，从而解放空间约束达到远距离操控的效果。远近距离的切换对硬件的要求也很容易实现，如利用可变焦的镜头对目标进行采集。交互效果的好坏最终取决于图像的分割、特征提取、目标识别等算法。本文在充分查阅该领域学者们的文献、著作的基础之上，对典型角点特征检测模型进行仿真实验，结合较流行的基于肤色模型的分割与特征修饰重构算法展开实验研究。具体内容包括：1、基于YCbCr肤色空间模型，通过实验对比遴选，找到对光照条件具有较强适应性的模型参数，用以实现对目标图像中手势部分的分割提取。2、基于脉冲耦合神经网络，实现对包含噪声的手势图像的降噪仿真，实验中掺入10%的椒盐噪声，通过多组仿真实验对比得到使模型降噪效果最好的模型参数。相比经典均值滤波、中值滤波等常用方法，它速度快、效果好。3、研究利用傅立叶描述子对手势轮廓图像进行边缘优化，使得边缘平滑效果得到大幅度提升，使后续角点检测带来很大方便。4、基于快速角点检测CPDA对手势图像进行特征角点定位，通过仿真实验，得到包含角点信息的指尖与指间角度特征明显的拐点，效果非常明显。5、利用图像处理技术对手指进行定位与提取，这些手指信息辅助对角点信息定位与编码。仿真实验显示，利用细化操作可以准确提取出手指位置信息。