手是人类与客观世界交互的重要媒介,人类依赖于手部的多种姿态来操纵物体,与他人交流。最近,越来越多的新兴技术要求同时从单眼（RGB）二维手部图像中精确地识别三维手形网格和三维手部关节点,如人机交互、增强现实（AR）、虚拟现实（VR）、机器人和手语识别等。得益于近年来深度学习的成功,单目三维手部姿态估计取得了显著的成功,如机器可以从单一的二维图像中精确地预测21个手部关节点。然而,从单张RGB图像中重建三维手形仍然是一种挑战,因为表示三维手形网格需要准确地预测成千上百个三维顶点,其难度远远大于预测21个三维关节点。随着参数化手模型MANO的提出,人们可以利用少量的MANO模型参数来同时恢复三维手部关节点和密集的三维网格顶点。但是这种参数化手模型存在一个明显的缺陷,即模型参数与二维图像像素之间没有明显的对应关系,缺乏足够的空间信息对模型参数进行精准的回归。为了解决这个问题,本文结合图卷积网络和MANO参数化手模型,设计了一个基于图卷积网络的三维手部关节点估计和三维手形重建的深度学习框架。该框架包含三个部分:（1）利用卷积神经网络和MANO手部模型设计一个基于MANO模型的三维手部姿态估计和三维手形重建的主干网络。高分辨率网络和深度残差网络结合作为特征提取网络,从单眼RGB图像中预测MANO参数和具有空间信息的特征;预测的MANO参数通过MANO模型映射成为三维网格顶点和三维关节点。（2）根据三维手部关节点和三维手形网格的空间结构构建姿势图和形状图,提出了一个新颖的基于图卷积网络的算法——MANO-GCN。该算法由姿势参数图卷积和形状参数图卷积组成。将主干网络预测的包含空间信息的特征设置为姿势图和形状图的节点特征,通过MANO模型中定义的边连接节点,节点特征沿着边传播,学习空间信息。（3）为了将MANO-GCN算法生成的手部对齐到空间中的正确位置,提出了一种简洁高效的手部全局变换方法,通过高分辨率网络保留的空间信息来生成手部的放缩系数、旋转矩阵与平移量,并使用这些参数对手部进行全局变换,使得预测的三维网格顶点和三维关节点能够准确的对齐到图像坐标系上。