为了提高基于可穿戴设备手势识别的性能，针对单分类器在手势识别时会出现偏向性的问题，提出了基于自适应多分类器融合的手势识别方法（Self- adapTIve MulTI-classifiers Fusion， SAMCF）。首先，针对统计特征无法表征复杂手势之间类内变异性和相似性的问题， SAMCE使用卷积神经网络（ ConvoluTIonal Neural Network，CNN）自动提取具有强表征能力的深度特;然后，采用多个基本分类器对提取的特征向量进行识别，并通过自适应融合算法决策出最优识别结果，解决了单分类器的偏向性问题;最后，基于数据手套采集的数据集，验证了模型的鲁棒性和泛化能力。实验结果表明，SAMC`F能够有效地提取手势的深度特征，解决单分类器的偏向性问题，提高了手势识别的效率，増强了手势识别的性能，对字符级手势（美国手语和阿拉伯数字）识别的准确率达到98.23%，较其他算法平均提高了5%;对单词级手势（中囯手语）识别的准确率达到9η.81%，较其他算法平均提高了4%。
