现如今信息技术发展飞快,其中人机交互技术是极其重要的。由于人手在人机交互中,有着许多特殊的性质可以运用,并且人手的结构与运动较为复杂,所以研究人手的三维手势建模有着重要的意义。本项目的主要内容是根据人手的深度图像信息进行人手的三维手势建模。首先,针对有些建模方法需要设置复杂参数,或所建模型不够平滑、完整,以及出现多余网格等问题,提出了一种基于Delaunay三角剖分与K-Median聚类的三维手势静态建模方法。先把点云投影在平面上进行三角剖分,得到的三角网格中有的边很长有的边很短,接着用K-Median算法把边聚为长边和短边两类,最后把含有长边的三角面片删掉去,使得手指之间的三角网格得以删除。然后,针对原PointNet++深度学习网络的局部分组的球形区域过大导致计算量增加的问题,提出了一种改进的PointNet++网络的三维手姿估计方法。首先对手势点云进行基于Delaunay三角剖分算法与K中位数（K-Median）聚类算法相结合的三角剖分,得到手势点云的三角网格模型,并计算三角网格模型的边长均值;然后以三角网格模型边长均值为半径,对最远点采样（FPS）的采样点进行球查询搜索,再根据搜索到的采样点个数极值对采样点云进行k近邻分组,并最终输入给PointNet网络,完成三维手姿估计。最后,根据改进后的PointNet++网络的输出对静态模型进行调整,实现了一种基于改进PointNet++网络的三维手势建模系统。在静态建模方面,用其它静态建模方法与本文提出的建模方法进行了对比性实验,实验表明本文的方法更有利于减少多余的网格面,形成的网格面也较为完整。在三维手姿估计方面,使用手势深度图像数据集进行了深度学习网络的训练,相对于PointNet++,本文的方法可以在手姿估计误差基本不变的情况下,较快完成三维手姿估计。