近年来,随着计算机大规模计算能力的提升和信息化时代的到来,人们对虚拟现实、增强现实、机器人操作等方面的需求提高,其中3D手部姿态估计发挥着重要作用。随着商用相机的普及和人工智能的快速发展,基于视觉的3D手部姿态与形状估计的研究越发深入,提出了许多手部姿态与形状估计方法,用于从图像输入中估计手部的3D姿态与形状。尽管这些方法取得了显著的进展,但在精度及姿态还原度方面还有待改善,尚需进行进一步的深入研究。本文对基于视觉的手部姿态与形状估计技术进行探索,并设计了两种方法,旨在为解决上述问题提供新的思路。本文完成的主要工作如下:（1）由于深度图像中包含的噪声和杂点较多,手指灵活度高,手指之间有很强的自相似和自遮挡,因此直接从深度输入中回归3D姿态是高度非线性的映射,且关节点的回归过程是不可控制的。针对上述问题,本文将高度非线性的任务分解为两个相对低维且可控的子任务。同时,本文设计了一种潜在特征空间映射方案,用于从深度图像中估计手部3D姿态。在几个公开数据集上,进行了互对比和自对比实验。互对比实验表明,将高度非线性的任务分解为两个相对低维且可控的子任务,其估计精度可达到当前最新方法的水平,表明本文设计的潜在特征空间映射方案是有效且可行的;自对比实验表明,采用以恒等残差模块为基础构建的潜在特征空间映射网络可以实现潜在特征空间之间的有效映射。此外,在少量训练数据集的情况下,同样可以达到良好的估计精度。（2）由于深度图像在野外环境比较受限,且仅估计手部关节点已经无法满足目前手部估计任务的需求;此外,从单幅RGB图像中估计3D手部姿态是一个不适定问题。为了更好地获取图像中手的有效信息,本文设计了一种基于单幅RGB图像的手部姿态和形状估计方法。该方法由两个级联网络构成,前者用以估计手部姿态,后者用于重建手部形状。为了不破坏像素之间的相对位置关系,本文采用以1D CNN为基础的姿态估计网络,完成了手部3D姿态估计的任务。本文设计了一种编码器-解码器结构,利用特征图像和3D手部姿态提供的信息恢复出手部模型的网格形状。本文根据不同数据集的形状标注特点,设计了两种手部形状估计方案,并对各个方案进行了实验分析和讨论。实验结果表明,本文的方法可以从单幅RGB图像中估计出较为准确的手部姿态和完整的手部形状,但仍然有一定的改进空间。