随着计算机技术以及人工智能应用的快速发展,人们对科技改变生活的需求与日俱增,尤其在智能家居领域方面尤为凸显,人机交互成为了人们生活中不可或缺的一部分。其中手势识别以特征简单,实现便捷,组合性强等特点成为了人机交互领域研究的重点,传统的手势识别方法存在精度低,鲁棒性差,实时性差等问题,随着国内外近几年深度学习的发展,为手势识别算法的研究与应用带来了新的方向。本研究基于深度学习对手势识别性能及应用进行深入的研究,充分进行基于深度学习的手势识别研究,做到能够极大提高对手势识别的精度,开发手势识别在不同场景下的应用,提高深度学习对手势识别的利用价值,这对智能家居的使用及发展有重要的意义。本文的主要研究内容如下:（1）使用深度学习目标检测算法进行手势识别的研究。对目标检测网络进行研究,建立多环境下的手势数据集共2250张手势图片,经过数据扩充后对比目标检测网络Faster R-CNN（Faster Region CNN）,SSD（Single Shot Multi Box Detector）,YOLOv5（You Only Look Once v5）在自建的多环境下的手势数据集上的手势识别模型的性能表现,通过分析对比结果,发现YOLOv5能同时满足准确率高和速度快,但其仍然存在对远距离手势和密集手势的识别准确率低,模型性能有提升空间,则需要改进YOLOv5模型算法。（2）针对需要改进的点对YOLOv5算法进行改进。针对现有YOLOv5算法,为提升其性能,引入注意力机制SElayer（Squeeze-and-Excitation layer）提升模型性能,针对提升小目标检测性能,通过Kmeans聚类出合适先验框,再多增加一个检测头提升对小目标的检测性能,针对提升密集目标检测性能,引入VFnet中的VFloss来替换yolo中的损失函数。通过实验分析改进YOLOv5,其性能得到了提升,并提升了针对小目标和密集目标手势识别的准确率,也能很好的满足实时性。（3）将改进的YOLOv5算法部署移动端并实现手势识别的应用。对改进的YOLOv5算法进行实际应用,将改进的YOLOv5算法部署到移动端jeston nano b01,对Arduino进行开关命令编程,通过串口通信连接Arduino控制的灯开关,从而实现通过手势识别控制开关,实验表明,改进的YOLOv5在移动端能够很好的对手势进行识别,也能满足移动端实时性的需求,并可以实现手势对灯开关的控制。