近年来人工智能及其相关领域得到了飞速的发展,人与计算机的交互方式正朝着更自然、更普遍的方向发展。手作为人日常活动的重要组成部分,在人机交互、虚拟现实、机器人等众多应用中是必不可少的组成部分,可广泛应用于娱乐、消费、智能家居、智能驾驶、医疗、工业设计乃至空间应用领域,这使得手势估计受到了人们的广泛关注。手势估计的目的是在三维空间中恢复手部的完整运动姿态,使计算机或者其它设备能够感知人手的空间姿态,从而按照人的指令执行。然而,三维手势姿态估计目前仍然存在很多有待解决的问题,如可获取的手的分辨率低、人手的高自由度、易受环境影响、变化速度快、遮挡和手的相似性等难题都对手势估计的实际应用造成了阻碍。基于以上原因,本论文围绕手势估计问题,利用深度学习机制从深度数据超分辨、异源图像配准融合、手部区域快速检测、手部显著性检测分割、手势跟踪以及手势估计等方面开展了研究工作,主要完成工作如下:手在图像中所占比例较小,能够用于模型分析的数据分辨率较低,这一问题在低分辨率深度图像中更为突出。针对这一问题,本文提出了一种基于深度反馈网络的深度图超分辨率方法,通过迭代的上采样和下采样操作,直接将高分辨率表征投影到低分辨率空间,设计的深度反馈模块不断地模拟图像退化和重建的过程,得到丰富的高分辨率中间特征能够有效获取深度图边缘处的特征,解决深度图超分辨率重建中的深度边缘模糊问题。为了准确提取手部数据,提升手势估计效率,针对此问题,本文提出了一个基于异源图像的手部数据快速提取的框架,首先通过特殊标定物实现彩色图像和深度图像的异源图像的配准融合,其次以YOLOv3为基础框架,使用多头自注意模块替换卷积层进行迁移学习,获取手部外框,然后将U2-Net的残差U-模块替换为引入互补注意机制的双边注意模块,在前景和背景两个维度进行分割,获取手部的精准分割数据,最后为了加速网络效率,采用SiamMask快速获取连续帧图像中的手部区域,从而进一步加速数据的提取。针对关键的手势估计问题,本文提出了一种基于多分辨率多层级特征融合点云网络的手势估计方法,网络的总体架构由三个基本的构建模块组成,即多分辨率手部特征编码器、手部姿态译码器和手部特征重建译码器。多分辨率多层级手部特征编码器抽取不同分辨率的点云特征,并将不同层级的特征进行融合,得到特征编码送入手部三维姿态译码器进行译码,得到手部的三维姿态估计。手部特征重建译码器以手部三维姿态估计和特征编码为输入,以手部三维姿态估计重建出核心点云,并以核心点云为中心重建输入点云,与原始输入点云进行比较,并通过重建点云反向约束手势估计,进一步加强手势估计的鲁棒性和准确性。论文的研究成果为面向人机交互、虚拟现实、机器人等众多应用的三维手势估计提供了可行的实施路径,相关算法已通过实验验证,并展现了良好的结果,具有一定的实际应用前景。