随着计算机和人工智能等技术的飞速发展,手势识别技术在计算机视觉、人机交互等领域已经占据非常重要的地位。目前,基于计算机视觉的手势识别技术在车载智慧功能、手语翻译、交通指示等多方面已经有了相当广泛的应用。但是,由于手势识别的应用场景相对多元化,手势背景的复杂度、手势自身条件和对应动作形态均存在差异性,再加上使用者对识别技术的效果要求日益严格。因此,继续加强对手势识别技术的研究存在必要性。本文将分别以静态、动态手势为研究对象,从基于几何图形分割法和深度学习算法两方面分别进行探索。论文的主要工作与创新点如下:（1）针对传统的基于几何特征的手势识别算法的局限性,提出一种基于深度数据的静态手势识别算法:首先,对深度相机采集的数据进行预处理,提取前景信息,滤除背景;其次,利用提出的N-Iterate、C-Loop等判定算法检测手掌位置;然后,计算分析手形所有轮廓点到掌心距离的直方图及其波峰索引,并结合角度提取指尖个数,有效解决了手掌定位不准确的问题;最后,将得到的手势的最大掌、掌心位置、指尖个数该3类关键特征作为改进支持向量机（Support Vector Machine,SVM）的输入,并映射到高维空间,进行手势0-5的分类识别。实验结果表明,所提出的算法在复杂背景和手部自干扰等影响下仍具有较高的识别准确率和实时性,在自制数据集中进行验证,结果显示,平均准确率提高至98.57%,识别耗时降低至37.923ms,较大程度提高了识别效率。（2）为了进一步提高基于深度学习的静态手势识别算法准确率,提出一种基于改进YOLOv5s的静态手势识别算法:首先,改进了 YOLOv5s中的特征金字塔（Feature Pyramid Networks,FPN）结构,通过裁剪网络节点,增加残差跳跃连接等方法简化FPN结构,实现相对高效的双向跨尺度连接以及多尺度融合;然后,引入卷积注意力模块（Convolutional Block Attention Module,CBAM）,将通道注意力模块和空间注意力模块串联结合;最后,将ReLu激活函数替换成平滑的ACON-C函数,通过自适应激活,节省了大量运算,从而加快了分类、检测过程。实验结果表明,在公开的数据集handposexgesturev1中,14类静态手势识别的平均准确率达到95.80%,与原YOLOv5s网络结构和双向特征金字塔网络（Bidirectional Feature Pyramid Network,BiFPN）对比,证明了提出的基于改进YOLOv5s的静态手势识别算法优于YOLOv5s。（3）针对动态手势识别效率低、精度低等问题,提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）的动态手势识别算法:首先,通过使用Mediapipe框架和ResNet18网络,分别提取视频单帧中手部的21个关键点的三维归一化坐标,以及图像卷积特征,并结合相邻帧间矢量特征进行融合拼接,实现多特征融合;其次,在三层堆叠长短期记忆网络中引入注意力机制,增加网络深度,分析动态手势时间序列的特性,对手势进行分类识别。实验表明,该算法在公开数据集ChalearnIsoGD中单手识别准确率达到90.71%,可以更高效地识别动态手势,提高识别的可靠性,具有高鲁棒性和高识别精度。