随着虚拟现实、计算机与环境交互技术的快速发展,空中手写识别技术在人机交互中起着越来越重要的作用,成为沟通现实世界与虚拟世界的桥梁。空中手写识别一般分为基于视觉与基于传感器识别算法,由于基于视觉的手写识别对光线和摄像产品等需求较大,同时由于微机电系统（MEMS）传感器的出现,由传感器作为空中手写识别的装备变成当今流行方式。本文采用MEMS传感器对空中手写识别技术进行研究。MEMS传感器采集的是初始信息,不能直接显示空中手写的轨迹信息,所以对于大部分的基于传感器的手写识别算法,是按照指定的动作对加速度或角速度等数据进行处理,根据每个指定动作的特征来识别手写轨迹的。这种方法就需要人工干预,用户也不能灵活地进行手写动作。为了虚拟场景的交互控制需要,以及使书写运动更加灵活,本文提出了一种基于可穿戴传感器的空中书写方法,通过空间定位技术,把传感器数据转变为三维空间中的数据,记录手写运动在空间中的坐标点。由于加速度计和陀螺仪的精度差、漂移导致定位时产生误差的情况,为增加空中手写识别效果,本文提出了一种基于自适应卡尔曼滤波算法,该算法可以修正姿态角与加速度的误差。该算法在卡尔曼滤波的基础上融合PI控制算法,陀螺仪和加速度计的测量结果通过自适应卡尔曼滤波器融合,同时PI控制器对观测噪声协方差矩阵进行调整,消除了对噪声预测不精确而造成滤波发散影响,得到了高精度姿态角数据与加速度数据,再对加速度数据进行积分处理,从而实现定位。实验结果表明,该算法在消除误差的同时保证了算法的精度与鲁棒性。在积分得到手写空间定位数据后,先对数据信息做降维操作,再输入支持向量机分类器进行训练和识别。为了提取更加准确的特征信息,本文先将数据进行归一化处理,再提取时间距离特征与统计相似性特征,得到特征向量,然后利用支持向量机进行训练和分类识别。实验结果表明,由加速度数据和角速度数据转换来的空间数据,能精确的记录空中手写在三维空间的轨迹,证明将直接获取传感器数据转变为空间信息并对其进行分类识别,可以得到更准确的识别结果。通过支持向量机算法对空中手写数据进行训练识别,训练速度和分类识别的识别率都有所改进,获得了92.8%分类识别率,比普通支持向量机算法识别率提高不少,相对于传统的DTW算法也有较大的改进。