手势识别技术主要分为两大类：基于可穿戴设备的手势识别与基于计算机视觉的手势识别。前者通过数据手套、智能腕表、手环、戒指等设备，采集手指弯曲度、空间位置及肌电信号等多维数据，具有精度高、抗遮挡能力强的优势，但需要用户佩戴专用硬件；后者通过摄像头拍摄手势变化视频并进行估计分析，使用便捷、无需额外穿戴，但识别效果高度依赖视觉算法的鲁棒性与光照环境。
在间接手指感知方面，可穿戴摄像头、腕戴式深度摄像头、肌腱运动测量以及肌电图（EMG）均是重要的技术路径。由于控制手指运动的主要肌肉大多分布于前臂，因此可通过部署在前臂的传感器实现对手指运动的间接感知。然而，从肌电信号推断精细手指动作极具挑战性——传感器的定位至关重要，理想状态下系统还应具备自校准功能，以适应不同用户及日常佩戴位置的变化。
本章从五个维度系统梳理可穿戴手势识别的通用技术框架：2.1 硬件与传感模态介绍电传感、机械传感、声振动传感与光学传感四类原理及其代表性技术；2.2 手势算法覆盖从传统机器学习到深度学习的完整算法谱系；2.3 指向配对聚焦多设备场景下的手势意图定向问题；2.4 手势交互框架提出感知–数据–算法–应用–反馈五层架构；2.5 未来发展方向从技术趋势与设计趋势两个维度展望领域演进。
在系统设计层面，可穿戴手势识别面临四组核心权衡：识别精度与手势集规模（当前大多数系统仅支持 5–20 种手势，而人手具有 21 个自由度）；鲁棒性与泛化能力（跨用户、跨佩戴位置、跨使用场景的稳定性）；功耗与实时性（边缘端推理的计算资源约束）；以及佩戴舒适性与传感精度（硬质传感器与柔性皮肤的物理适配问题）。这四组权衡贯穿本章各节的技术选型讨论。
| 维度 | 可穿戴设备方案 | 计算机视觉方案 |
|---|---|---|
| 传感原理 | 肌电、惯性、压力、光学等生理/物理信号 | RGB/深度摄像头图像序列 |
| 抗遮挡能力 | 强（不依赖视线） | 弱（手部遮挡导致识别失败） |
| 佩戴要求 | 需穿戴专用硬件 | 无需额外穿戴 |
| 识别精度 | 高（直接采集生理信号） | 中（依赖视觉算法与光照条件） |
| 隐私性 | 高（本地信号处理） | 低（摄像头持续采集环境图像） |
| 功耗 | 低–中（传感器功耗可控） | 高（图像处理计算量大） |
| 典型应用 | 假肢控制、XR 腕带、智能手表 | 体感游戏、非接触式 HCI |