当测试语音时长充足时，单一特征的信息量和区分性足够完成说话人识别任务，但是在测试语音很短的情况下，语音信号里缺乏充分的说话人信息，使得说话人识别性能急剧下降。针对短语音条件下的说话人信息不足的问题，提出一种基于多特征i-vector的短语音说话人识别算法。该算法首先提取不同的声学特征向量组合成一个高维特征向量，然后利用主成分分析（PCA）去除高维特征向量的相关性，使特征之间正交化，最后采用线性判别分析（LDA）挑选出最具区分性的特征，并且在一定程度上降低空间维度，从而实现更好的说话人识别性能。结合TIMIT语料库进行实验，同一时长的短语音（2 s）条件下，所提算法比基于i-vector的单一的梅尔频率倒谱系数（MFCC）、线性预测倒谱系数（LPCC）、感知对数面积比系数（PLAR）特征系统在等错误率（EER）上分别有相对72.16%、69.47%和73.62%的下降。不同时长的短语音条件下，所提算法比基于i-vector的单一特征系统在EER和检测代价函数（DCF）上大致都有50%的降低。基于以上两种实验的结果充分表明了所提算法在短语音说话人识别系统中可以充分提取说话人的个性信息，有利地提高说话人识别性能。

针对基于Kinect深度信息分割的手势往往包含手腕易造成后续手势误识别的问题，提出一种改进深度信息的手势分割与定位算法。首先，基于深度信息阈值限定在实验空间中检测出手势二值图；然后，根据普通手势特征，提出基于手势端点检测和可变阈值算法分割出准确手势。为得到稳定的分割效果，对分割手势进行形态学处理，最后选取基于手势重心坐标和最大内切圆圆心坐标的联合手势定位法定位手势。实验结果表明，该手势分割方法比已有分割方法更准确可靠，联合手势定位比Kinect软件开发工具包骨骼数据定位和手势重心定位稳定，无奇异点。