随着5G技术、深度传感器以及大数据的兴起,极大提升了计算机处理自然交互信息的能力,也在动态手势识别领域中掀起了对3D骨骼数据研究的新热潮。传统的方法,通常取决于手工制造的遍历规则,在描述骨骼数据的语义信息时,其表达能力有限,泛化难度大。手势中的高级信息是通过一系列复杂的复合动作来表示的,目前,基于深度网络和骨骼图的方法在学习手势的特征上取得了一定的效果。然而,在学习有效的时空信息问题上仍存在很大挑战。为此,本文提出一种基于3D骨骼的局部时空同步网络模型以及融合手部运动特征的自适应模型。首先,针对时空信息特征的提取问题,本文提出一种基于3D骨骼的局部时空同步网络（LSTSN）,该模型能够同时处理空间和时间信息,获取更有效的特征。其关键思路是,基于骨骼节点网络的信息特征建立一种三邻帧的局部时空图,并在空间图中定义手骨骼关节的空间连接关系,以此突出每个节点与其主要相邻节点的相互作用,然后运用注意力机制设计一个局部时空同步注意力模块,以帮助模型更高效地捕获局部三邻帧手势数据中复杂的时空相关性。同时,通过在不同三邻帧时间段设置多个局部时空同步注意力模块来捕获数据中的异质性。实验结果表明,在单流数据下,所提出的LSTSN模型识别效果优于当前最优的方法。其次,针对动态手势在每个时间层次具有不同语义信息的问题,本文对LSTSN模型进行了改进,设计一种基于阈值的自适应方法,以灵活地改变不同层的节点连接关系。此外,为了进一步研究动态手势的动作特征问题,本文引入指尖的相对位置向量,以精确地描述手指的运动,并提出融合手动作的自适应局部时空同步网络模型（HM-ALSTSN）,该模型在网络复杂度方面具有较大优势,并取得较好得识别效果。最后,本文设计了采集动态手势数据库的方法,并以HM-ALSTSN模型为核心算法,构建实时的动态手势识别系统。实验结果表明,该模型在321Gesture数据集上也取得了较高的识别率,在系统中具有较好的适应性和实时性。