為提高 Leap Motion設(shè)備的采集精準(zhǔn)度，解決自遮擋、采樣頻率不穩(wěn)定等設(shè)備固有問(wèn)題，首先，設(shè)計(jì)了使用Leap Motion和動(dòng)作捕捉設(shè)備的手部多模態(tài)同步運(yùn)動(dòng)采集方案，采集了日常動(dòng)作數(shù)據(jù)集;其次，提出了基于卷積神經(jīng)網(wǎng)絡(luò)（ convolutional neural network，CNN的 Leap Motion手部運(yùn)動(dòng)數(shù)據(jù)優(yōu)化方法，使用日常動(dòng)作數(shù)據(jù)集訓(xùn)練 Leap Motion數(shù)據(jù)到動(dòng)作捕捉數(shù)據(jù)的映射網(wǎng)絡(luò);最后，提出手指平面約東，確保網(wǎng)絡(luò)輸出數(shù)據(jù)保持穩(wěn)定的手部骨骼結(jié)構(gòu)。通過(guò)15名志愿者采集了6類動(dòng)作共967550幀的同步運(yùn)動(dòng)數(shù)據(jù)集，進(jìn)行了手指平面約束有效性、動(dòng)作一致性實(shí)驗(yàn)，并與雙向循環(huán)自編碼器（ bidirectional recurrent autoencoder，BRA）、雙向編解碼器（ encoder- bidirectional- decoder，EBD）方法進(jìn)行了精度對(duì)比。結(jié)果表明，文中方法支持使用 Leap Motion獲取固定采樣頻率且近似動(dòng)捕設(shè)備精度的手部運(yùn)動(dòng)數(shù)據(jù)，效果較BRA和EBD更加穩(wěn)定平滑。將文中方法應(yīng)用于康復(fù)游戲中，明顯減少了交互動(dòng)作識(shí)別的錯(cuò)誤次數(shù)。