手部是人在生活中使用频率较高的部位之一,在人机交互中发挥着关键作用。但现有大多数基于深度学习的2D手部姿态估计方法使用了单一尺度特征图或低分辨率热力图来提取关节点位置信息,限制了对关节点的检测精度,此外,目前只注重独立关节点约束的3D手部姿态估计方法会导致手部姿态产生变形失真的现象。因此,针对以上手部姿态估计领域中出现的两个问题,本文将基于姿态估计领域的最新研究,开展对基于深度学习的单张彩色图像手部姿态估计方法的研究。本文针对手部遮挡问题提出一种基于高分辨率Heatmap的2D多尺度特征融合网络,2D高分辨率Heatmap提供了更准确且丰富的邻近区域手部关节点之间的相对位置信息,并将不同尺度的手部姿态特征加以融合,使得网络更充分全面地学习手部关节点从局部到整体的相互依赖关系,每一个独立的关节点,包括手部遮挡关节点的坐标预测受助于位于小尺度上的局部特征信息,而手部所有关节点之间的整体相对位置关系则可以由位于大尺度上的全局特征信息提取得来。在采用单张彩色图像而缺少关节点深度信息的场景下,针对手部姿态的变形失真问题,本文提出一种引入相邻关节点方向约束策略的3D关节点回归网络算法模型。3D手部结构增加显性的生理性约束使得网络明确地注重于手部的扭曲损失,有效捕捉到了3D手部结构的联结关系。为了验证所设计方法的可行性和有效性,本文在手部姿态估计领域公开的Frei HAND数据集上与现有算法进行定性和定量两个方面的对比实验,定性对比实验结果表明,本文方法能有效提升对2D手部遮挡关节点的检测效果,同时回归出准确的3D手部姿态,证明了本文方法的可行性和有效性。同时,通过量化对比实验表明,本文提出的M2HPE模块和R3HPE模块分别在2D手部姿态估计和3D手部姿态估计的任务上,相比于基准模型,AUC指标分别提升了2.5%和1.3%。