如今计算机的功能越来越强,伴随着模式识别的出现与发展,智能化的人机交互正吸引着人们去研究。手势交互因为它的便捷性与普遍性而受到众多研究人员的青睐,基于机器视觉的手势交互技术是目前国内外研究的一个热点问题。然而,手势图像中含有各种较为复杂的背景噪声,因此关于计算机视觉的手势识别技术如今依然面临着巨大的挑战。最近几年,由于深度学习的出现,从而使得计算机对数据的处理能力得到极大的增强,在人机交互方面具有明显的优势。近年来,对于手势识别的研究已经成为目前深度学习中的热点话题,在此基础上,本文对手势识别算法进行了深入的探讨,并提出了一种基于卷积神经网络的手势识别方法,该方法能够在较为复杂的背景条件下快速、准确地识别手势。本文的主要研究内容如下:1.为了提高网络的训练速度,快速、精确地识别图像中各种尺寸的手势,并且减少复杂的背景噪音的影响,本文提出了基于改进SSD算法的手势检测算法。改进后的SSD算法中,使用Res Net-50作为主干网络,引入了迁移学习,对参数模型进行了训练。最后使用公开数据集来训练和测试该模型,实验表明改进后的Res Net-SSD目标检测模型可以快速并且有效的检测到手势区域,识别率达到97.82%,比原始SSD算法高出了13.49%,并且加快了模型的训练速度。2.为了将手势从复杂的背景分割出来,方便后续的手势识别,提高手势识别的精度,本文提出了基于改进FCN-8s的手势图像分割算法。针对FCN-8s网络结构中的3×3卷积核只能提取到单一尺度的手势信息,并且参数量过多和上下采样导致细节信息丢失的问题,提出了多尺度特征提取模块,这个模块用于从不同尺度上提取特征。最后,对该方法进行了一系列的对比实验,实验结果验证了所改进算法的有效性,改进后的FCN-8s分割模型可以有效的提取到手势区域,精准度达到了96.7%,比原始FCN-8s算法高出了3.3%。3.为了将图像中的手势有效识别出来,提出了基于改进Goog Le Net的手势图像识别算法。针对Goog Le Net的参数过多,造成网络计算速度过慢的问题,对网络的中低层Inception模块进行了改进,采用了Dropout技术与Adam优化器进行实验。首先将检测到的手势截取出来,然后将手势进行分割,建立一个新的数据集。在新建立的数据集中,手势识别的准确率达到了97%。通过对原始数据集和新建立的数据集在改进后的Goog Le Net分类模型上进行可视化对比实验,实验表明了改进后算法的有效性,提高了手势识别的精度。