随着社会的不断进步以及科技的快速发展,越来越多的智能化管理和电子科技产品出现在人们的日常生活和工作之中。在时代的信息化发展浪潮中,社会发展中的安全问题日益凸显,生物特征识别技术应运而生。作为一种身份认证技术,生物特征识别技术通过个人独特的生理特征和行为特征对人的身份进行鉴别,具有便捷、不易丢失和不易遗忘等优点,目前生物特征识别已成为解决当前信息化发展中安全问题的首选方案。与常见的面部,指纹,虹膜,手指静脉等基于不可变生理特征的生物特征识别技术,以及击键等基于行为特征的生物特征识别技术相比,基于视频的动态手势兼具行为特征和生理特征。手势的不同动作具有模板可更新的优势。当模板有被攻击的风险时,用户很容易更改其注册的动态手势以进行模板更新,更好的保护个人的信息安全。此外,动态手势生理特征（如手指的形状、角度、皮肤颜色和质地）与行为特征优势互补,这使得基于视频的动态手势认证更加安全,不易被攻击。虽然研究者们对签名手势、静态手势等手势认证算法的研究历来已久,但都是针对手势的行为特征和生理特征的一个方面进行的。基于视频的动态手势认证能够同时利用行为特征和生理特征,虽然近年来逐渐受到各国研究者的关注,但在数据库、评测标准、数据预处理、特征提取算法等关键问题上仍有较大的发展空间。针对上述问题,本文从数据库及评测标准构建、动态手势特征提取算法、复杂环境下手势去背景算法三个方面对基于视频的动态手势认证进行分析、探究和改进。本文的主要工作有:第一,提出了一个动态手势认证数据库DHG-SCUT（Dynamic-hand-gesture-authentication-database of BIP Lab in SCUT）。针对学术界用于认证任务的动态手势数据库数量少、规模小、不完善,以及测试协议缺失等问题,本文给出了包含彩色和深度数据两种模态的大型数据库和对应的测评协议,该数据共采集了 193位志愿者的6种手势视频,其中50位志愿者采集了两个时间阶段下的重复手势,数据库共包含29,160个手势视频序列,共计186万帧以上的手势图片,填补了该领域的空白。通过构建这个大型的数据集,本文希望促进动态手势认证方法有更多的关注和发展。第二,提出了一种基于3D卷积神经网络的手势特征提取算法,该算法能够学习到从原始的手势视频中提取用户身份特征的能力,通过实验证明该算法在用户独立、单时段和跨时段、多种手势类别、多种数据模态等条件下均能提取到有效的手势特征,实现了较好的手势认证性能。第三,为了应对手势认证在复杂环境下的使用场景,本文提出了基于生成对抗网络的手势去背景算法。针对传统的手势分割模型分割边缘不清晰、无法分割肤色相近背景的缺点,以及本文手势认证数据库无手势分割标注的局限,本文提出的基于生成对抗网络的手势去背景方法无需大量标注,且能够在手势姿态多变、自遮挡、背景复杂的情况下有较好的细节分割精度和真实性,解决了基于视频的动态手势认证在复杂环境下的认证性能较低的问题。本文的最后对基于视频的动态手势认证研究进行了总结和展望,讨论了该领域亟待解决的一些问题。同时为方便研究者的交流学习,本文的部分代码和数据集将公开在Github上供研究者学习使用。