手势是一种人类的肢体语言,不仅包含十分丰富的信息而且在人与人之间交流时便捷且自然,因此手势识别逐渐被应用于人机交互领域。手势识别按照手势的分类分为静态手势识别和动态手势识别,由于动态手势可以反映手势的连续变化、表达更加复杂的手势信息,因此动态手势识别具有更加广阔的应用空间。本文对基于计算机视觉和深度学习的动态手势识别方法进行了研究,综合考虑识别速度、识别正确率、应用平台的显卡规格等因素,提出了两种动态手势识别模型:Light-GestureNet 和 GestureNet。Light-GestureNet 在提取代表动态手势的图像序列的局部时空特征的基础上提取全局时空特征,GestureNet在提取图像序列的局部时空特征的基础上提取深度特征的同时拼接融合全局时空特征。（1）提出了基于Skip-Res3D和ConvLSTM的轻量级动态手势识别模型Light-GestureNet,Light-GestureNet适用于显存大于6.5GB的应用平台,具有广泛的应用场景。Skip-Res3D 参考 Highway Networks、ResNet、DenseNet的跨层跳跃连接思想在Res3D中所有相邻残差块之间引入了跳跃连接来进行信道信息融合。Light-GestureNet使用Skip-Res3D提取图像序列的局部时空特征的同时简化特征集、加快ConvLSTM的计算速度,之后将Skip-Res3D提取的特征序列输入到ConvLSTM提取全局时空特征。因此Light-GestureNet可以在提取图像序列的时空特征的同时加快模型拟合速度、减少网络深化导致的特征信息丢失并融合更多信道信息。（2）提出了基于Skip-Res3D和DepthNet的动态手势识别模型GestrueNet。GestrueNet适用于显存大于11GB的应用平台,对动态手势的识别正确率高。DepthNet包含深度可分离卷积神经网络分支和ConvLSTM分支,深度可分离卷积神经网络分支是为了进行深度特征提取的同时减少计算量和过拟合的可能,ConvLSTM分支是为了提取全局时空特征。GestrueNet使用Skip-Res3D提取图像序列的局部时空特征,之后将Skip-Res3D提取的特征序列输入到DepthNet中提取深度特征信息的同时拼接融合全局时空特征。因此GestureNet可以在减少参数量的前提下有效地提取动态手势的时空特征。为了验证本文提出的模型的可行性和有效性,在Jester数据集上进行模型训练和测试的实验,Light-GestureNet的识别正确率为92.55%,平均单个手势的识别时间为7.57毫秒,占用6.5GB显存,输入是16张56×56像素的图片;GestureNet的识别正确率为95.64%,平均单个手势的识别时间为14.27毫秒,占用10.9GB显存,输入是16张112×112像素的图片,并且通过混淆矩阵分析、降维可视化分析、显著性分析证明了 Light-GestureNet和GestureNet的有效性。最后以这两种模型为基础搭建了基于客户端-服务端风格的可以识别7种动态手势的动态手势识别系统并且以控制Power Point为应用场景来验证模型的效果。基于GestureNet的动态手势识别系统的识别正确率为97.57%,平均单个手势的系统延迟为452毫秒;基于Light-GestureNet的动态手势识别系统的识别正确率为94.56%,平均单个手势的系统延迟为223毫秒,识别延迟较基于GestureNet的动态手势识别系统低的原因有两个:1.Light-GestureNet 较 GestureNet 识别动态手势的速度快。2.因为 GestureNet 参数数量较多,输入GestureNet的图片序列的图片较大以防止发生过拟合现象,因此客户端向服务端传输数据较慢。实验结果表明,Light-GestureNet是一种识别速度快、显存占用低的轻量级动态手势识别模型,GestureNet是一种准确率更高但是识别速度较慢、显存占用较高的动态手势识别模型。