手势识别是人机交互领域一个重要的研究方向。使用手势作为人机交互接口,自然、直观,又贴近人类交流习惯,其应用前景广泛。针对手势识别算法应用于人机交互时,往往要求使用者手势所在平面平行于摄像头成像平面即垂直于水平面才能进行识别这个问题,本文提出一种应用手势姿态估计方法于手势识别之中的算法。通过应用卷积神经网络对深度图中人手进行姿态估计,得到关键关节点的空间坐标再使用它们进行手势识别,使得非典型手势可以同典型手势一样被识别。本论文主要做了如下三部分工作:1.基于Kinect获取深度信息,跟踪并分割出复杂场景中的手势部分。对分割出来的手势深度图进行形态学处理及数据归一化得到能够输入卷积神经网络的手势深度图。2.对于用于姿态估计的卷积网络模型,通过加入非线性手势模型中间层以及使用多分辨率的手势深度图作为网络输入提高准确率;通过减少需要估计的手势关节点数只保留有关键作用的关节点以提高检测速度。实验证明,本文提出的网络模型使手势姿态估计平均误差降低了2.21mm。3.基于指尖点到指根距离与手指中间关节点到指根距离之间的比例可以表征手指的弯曲程度,而经过手势姿态估计步骤能够得到手势各关节点空间坐标,进一步求出关节点之间距离,所以本文以手指弯曲程度比例为特征应用于猜拳手势识别。本文手势识别算法平均识别率为95.8%,非典型性手势识别率94.6%。