為了提高基于可穿戴設(shè)備手勢(shì)識(shí)別的性能，針對(duì)單分類(lèi)器在手勢(shì)識(shí)別時(shí)會(huì)出現(xiàn)偏向性的問(wèn)題，提出了基于自適應(yīng)多分類(lèi)器融合的手勢(shì)識(shí)別方法（Self- adaptive Multi-classifiers Fusion， SAMCF）。首先，針對(duì)統(tǒng)計(jì)特征無(wú)法表征復(fù)雜手勢(shì)之間類(lèi)內(nèi)變異性和相似性的問(wèn)題， SAMCE使用卷積神經(jīng)網(wǎng)絡(luò)（ Convolutional Neural Network，CNN）自動(dòng)提取具有強(qiáng)表征能力的深度特;然后，采用多個(gè)基本分類(lèi)器對(duì)提取的特征向量進(jìn)行識(shí)別，并通過(guò)自適應(yīng)融合算法決策出最優(yōu)識(shí)別結(jié)果，解決了單分類(lèi)器的偏向性問(wèn)題;最后，基于數(shù)據(jù)手套采集的數(shù)據(jù)集，驗(yàn)證了模型的魯棒性和泛化能力。實(shí)驗(yàn)結(jié)果表明，SAMC`F能夠有效地提取手勢(shì)的深度特征，解決單分類(lèi)器的偏向性問(wèn)題，提高了手勢(shì)識(shí)別的效率，増強(qiáng)了手勢(shì)識(shí)別的性能，對(duì)字符級(jí)手勢(shì)（美國(guó)手語(yǔ)和阿拉伯?dāng)?shù)字）識(shí)別的準(zhǔn)確率達(dá)到98.23%，較其他算法平均提高了5%;對(duì)單詞級(jí)手勢(shì)（中囯手語(yǔ)）識(shí)別的準(zhǔn)確率達(dá)到9η.81%，較其他算法平均提高了4%。