随着科学技术的进步以及生活质量的提升,人们渴望更加方便、快速、有趣地进行人机交互,手部姿态估计和形状估计有望实现无接触的人机交互。随着人工智能的发展和5G技术的商用,利用深度学习估计手部姿态和形状成为可能,大量研究者尝试利用深度图像和彩色图像估计手部姿态与形状,并取得了令人欣喜的成绩。但当前的手部姿态及形状估计方法仍有提升空间,十分有必要对此展开研究。本文的研究工作如下:（1）深度图像自带深度信息,基于深度图像估计得到的手部姿态精度很高。对传统基于深度图像的手部姿态估计任务而言,其流程可以总结为手部特征提取、手部特征转换为手势特征,以及手势特征转换为手部姿态三个步骤。这个流程是一次性完成的,且仅在网络输出端提供约束,没有直接约束流程中的三个步骤。针对这一问题,本文给出一种手势隐空间引导的姿态估计方法,该方法将不可控的手部姿态估计任务分为三个可控的子任务:手势隐空间获取、手部隐空间获取,以及手部隐空间转换为手势隐空间,并根据三个子任务的特点给予了约束,使得整个姿态估计过程可控。计算机仿真实验结果表明,本文方法在多个常用公开数据集上达到了较高的精度。（2）深度摄像头功耗较大、价格较高。随着智能设备的普及,双目彩色图像越来越容易获取。本文设计了一种基于双目深度估计的手部姿态估计方法。传统深度估计网络需要深度图像真值约束才能达到良好的精度,该方法以弱监督方式训练深度估计网络,不需要深度图像真值约束。计算机仿真实验结果表明,在公开的双目手部数据集上,本文方法估计出的手部姿态的精度与最新方法相当,估计出的深度图像接近由主动式深度传感器获取的深度图像,优于传统基于立体匹配获得的深度图像。（3）在某些需要获得接触信息的特定场景,仅能使用单目彩色图像估计手部形状和姿态。当前基于单目彩色图像估计手部形状的方法十分依赖于手部形状标注,而手部形状标注的获取代价很高。针对这一问题,本文设计了一种基于弱监督方式训练的方法,减轻了网络对于手部形状标注的依赖。首先,在包含手部形状标注的大型数据集Freihand上以全监督方式训练网络,以获得丰富的手部形状先验。然后,以弱监督方式训练网络,将在Freihand数据集上学到的手部形状先验迁移到新场景中。计算机仿真实验结果表明,在多个公开的手部数据集上,本文方法可以估计出合理的手部形状,且估计精度接近最佳方法。