随着人们日常生活水平的提升与人工智能技术的迅速发展,越来越多的智能家居系统、人工智能机器人等高科技产品进入人们的生活中。手势交互作为指令下达最为简洁、便利的人机交互方式之一,一直是计算机领域的研究热点。相较于穿戴比较繁琐且设备价格高昂的穿戴式手势识别技术,基于视频信息的动态手势识别技术则更为大众所接受。近年来,深度神经网络以强大的特征提取能力以及模型泛化能力在手势识别领域取得了较好的成绩。本文深入探究了一些基于视频信息的动态手势识别模型研究,发现大多数模型会使用三维卷积神经网络来处理视频数据特征提取任务。但由于空间与时域信息的复杂关系,三维卷积会存在模型参数过大,并且时域信息丢失的问题。而为了保留时域信息,许多研究都将视频信息分解成空间与时域两部分,并通过空间特征提取器与时序序列分析器,来进行对手势信息的识别。但相关研究同样存在了空间与时域信息断联的问题。因此,本文主要研究了基于视频信息的动态手势识别模型研究中空间与时域特征提取阶段,针对孤立动态手势识别模型提出了基于视频信息的动态手势识别的改进模型。本文的主要工作如下:（1）在用于手势识别任务的三维卷积模型中,引入Slow Fast结构,使得模型能够更加完整地保留空间与时域的特征信息。并加入三维级联卷积以减少由于三维卷积所带来的参数量过大的问题。（2）在时序特征序列分析中,引入轻量化的时域注意力机制模块。在不过多增加模型参数量的情况下,对时序特征序列的权值进行重新调整,从而对时序特征序列更有效地分析,达到了更高的分类精度。（3）本文引入一种多模态手势信息融合方法,使得神经网络模型在手势视频信息拥有多模态输入或缺少某一模态输入的情况下,可以合理有效地进行识别分类。