随着人工智能的崛起,手势识别技术在人类的生活中更加普遍。静态手势识别和动态手势识别统称为手势识别技术。相比于静态手势识别,动态手势识别的技术复杂性要大得多。尽管动态手势识别的实现方式有很多种,但大部分技术难点尚未得到完全解决。本文从动态手势识别的手部检测、特征提取、动态手势分类等几个步骤着手,并结合深度学习等方式,首次实现一种应用于航空医学救援飞行模拟器中的动态场景下的医学动态手势识别系统。本文主要工作与创新内容如下:（1）手部检测:针对复杂背景对手势识别会造成较大负担等问题,本系统优先采用手部检测技术。由于手在图像中占比较小,以及模型识别的准确度和实时性等问题,本系统采用改进后的YOLOv5s进行手部检测,提高了2.0%的检测准确度。（2）手部姿态估计:针对飞行模拟器模拟飞行时会产生振动等问题,本文提出了一种自上而下的手部姿态估计算法。即将获取的手部图像输入到利用直接回归方法的手部关键点提取模块中。实验证实,最新轻量级网络Re XNet作为主干网络效果最佳。后通过滤波等操作,达到去除动态环境中高频低幅振动干扰的效果。（3）动作分类:针对动态手势识别注重时序信息,以及本系统中包含多个网络模型的问题,本部分采用多层堆叠的门循环单元（Gated Recurrent Unit,GRU）进行实验。针对飞行模拟器模拟遇到恶劣天气产生大幅度颠簸的问题,本文在堆叠的每层GRU网络引入注意力机制,使得分类网络将更多注意力集中在手势本身,忽略动态环境对用户造成的干扰。识别准确率达到了89.0%。本文首次提出应用于动态环境下的动态手势识别算法。即手部检测模块负责获取图像中的手部位置,再进行手部关键点提取,从而获取手部特征,最后进行医学手术动态手势分类,利用滤波以及注意力机制等手段,将动态环境下的干扰降至最低,从而得到适用于动态环境下的动态手势识别系统。除此之外,本文针对系统三个模块创建了航空医学应急救援动态手势识别系统的三个大型数据集。