Die Kinect®-Technologie verwendet einen Infrarot-(IR)-Projektor in Verbindung mit zwei Kameras, um einen Raum dreidimensional abzubilden. Die Technologie ist in der Lage, menschliche Umrisse zu erkennen und dann die Tiefe zu extrapolieren, indem sie das vom IR-Projektor geworfene Licht untersucht. Jedem menschlichen Umriss ist ein Drahtgitter-Skelett zugeordnet, das dann verwendet wird, um Bewegungen als Spieleingaben zu interpretieren. Jeder Kinect® ist in der Lage, mehrere Personen gleichzeitig für Multiplayer-Spiele zu erkennen. Zusätzlich zu dieser Kinect®-Technologie zur Bewegungserkennung enthält jedes Gerät auch ein Mikrofon-Array, das verwendet werden kann, um Sprachbefehle zu geben.
Kinect® ist ein Peripheriegerät für Videospiele mit Bewegungserkennung, bei dem nicht jeder Spieler einen physischen Controller in der Hand halten muss. Im Gegensatz zu anderen kamerabasierten Videospiel-Peripheriegeräten ist die Kinect®-Technologie in der Lage, die Tiefe genau zu erkennen und mehrere andere Funktionen auszuführen. Die Art und Weise, wie diese Geräte Tiefe erkennen, besteht darin, ein halbzufälliges Feld von Infrarotlicht in einen Raum zu projizieren. Wenn die Lichtpunkte auf ein Objekt treffen, kann die Kinect®-Technologie die Entfernung bestimmen, indem sie berechnet, wie lange es dauert, bis das Licht zurück zum Gerät reflektiert wird. Dadurch kann eine Tiefenkarte erstellt werden, die auf eine Genauigkeit von etwa 1 Zentimeter (etwa 0.4 Zoll) genau ist.
Alle zur Erstellung einer Tiefenkarte notwendigen Berechnungen werden von Kinect® selbst durchgeführt. Diese Informationen werden dann zusammen mit einem regulären Videofeed von der herkömmlichen Kamera an die Spielkonsole gesendet. Beide Videobilder werden mit 30 Bildern pro Sekunde (FPS) übertragen. Die Konsole kann dann die Tiefenkarte verwenden, um die Position einer Person in drei Dimensionen und den regulären Video-Feed zur Gesichtserkennung zu verfolgen. Spieler können dem System beibringen, wie ihre Gesichter aussehen, woraufhin die Kinect®-Technologie sie automatisch einloggen kann.
Zusätzlich zu dieser Bewegungserkennungstechnologie enthält jedes Kinect®-Gerät auch ein Mikrofon-Array. Das Array besteht aus vier Mikrofonen, die es der Kinect®-Technologie ermöglichen, die Quelle jedes Geräusches in einem Raum zu erkennen. Dies kann für Sprachbefehle nützlich sein, da das Gerät so feststellen kann, welche Person gesprochen hat. Es kann dem Gerät auch ermöglichen, zwischen von einer Person ausgegebenen Befehlen und Hintergrundgeräuschen zu unterscheiden, die von einem laufenden Videospiel oder Film stammen. Die Mikrofone können auch für Voice-Chat und In-Game-Kommunikation verwendet werden, was Funktionen sind, die normalerweise die Verwendung eines Headsets erfordern.