近年来,人机交互作为人使用机器的一个重要手段,引起了越来越多研究学者的关注,研究者们也逐渐探索出多种多样的人机交互方式。不同于传统的键盘鼠标等交互方式,手势交互可以让交互者摆脱对传统输入设备的依赖,是一种可以面向更多场合且更加便捷的交互方式。一些传统的手势识别技术需要借助于一些固定的穿戴设备,比如集成多种传感器的手套,来提取手势的特征信息,但是其存在穿戴不便、成本昂贵等问题。随着计算机视觉研究领域的发展和计算机摄像头设备的普及,基于视觉的手势识别方法逐渐成为研究的重点,在成本相对较低的视觉传感器基础上,探索高效、实时和准确率高的手势识别方法十分必要,对于改善手势识别系统的用户体验、降低手势识别系统的成本、促进手势识别技术的应用和普及具有重要意义。本文将聚焦于深度学习和人机交互技术,开展关于静态手势和动态手势识别的研究,主要研究工作如下:（一）在静态手势识别研究中,针对LeapMotion传感器和普通摄像头获取的手势数据,本文提出了一种能够将不同设备之间的手势数据进行迁移的方法。该方法能够有效解决传统手势识别中,对于新设备采集的手势数据需要重新训练模型的问题。首先,利用Leap Motion传感器和普通摄像头分别采集不同手势的数据,然后提取手部特征,接着利用联合分布自适应方法缩小两个设备提取出的数据之间的距离,从而使得在一个设备采集的数据中训练出的模型可以利用在另一个设备采集的数据中,降低时间成本和计算工作量。该方法能有效地解决Leap Motion传感器与普通摄像头之间的迁移问题。（二）对于动态手势识别,本文提出了基于注意力机制和长短时间记忆模型相结合的动态手势识别系统,利用Leap Motion传感器采集动态手势数据。为了减少Leap Motion传感器在数据采集过程中产生的抖动或跳变,本文对原始数据进行卡尔曼滤波。然后引入了一些新的特征描述符,将这些特征以不同组合的形式输入改进后的长短时间记忆模型。实验结果表明,改进后的模型可以达到99.31%的最高精度,并且可以实时运行。基于训练好的网络,本文设计了两种系统,一是手语识别人机交互系统,二是NAO机器人猜拳系统,从而进一步验证了所提出方法的实时性和有效性。