中文手语（Chinese Sign Language,CSL）是世界上使用最广泛的手语系统之一。CSL中的自动识别和生成技术,是实现聋哑人和正常人之间的双向通信的关键技术。但是,以前的大多数研究都只关注于手语自动识别方面的研究,仅能够用于从聋哑人到正常人单一方向的通信,无法达到双向交流的目的。为了解决从正常人到听障人群的通信问题,实现聋哑人与正常人之间的无障碍地双向沟通,需要依靠手语生成技术以实现从正常人到聋哑人另一个方向的通信。本文采用Microsoft Kinect和深度学习技术相结合的方式对聋哑人与正常人之间双向交流中有关手语生成的重难点问题展开研究,主要的研究内容包括:（1）针对现有的生成技术无法应用于聋哑人与正常人之间的双向交流的问题,提出了基于循环神经网络的识别和生成技术用于聋哑人和正常人之间进行双向通信的统一框架。该框架不仅可以应用在这种端到端的手语序列生成中,还可以用于序列间的信息交互,如自动聊天机器人、音乐的识别和生成以及视频的识别和生成。（2）提出了一种两级概率生成模型来进行序列生成。该模型是由变分自编码器（Variational Auto-Encoder,VAE）与高斯混合模型（Gaussian Mixture Model,GMM）组成,用于人体骨架序列的生成。第一级概率模型采用基于变分自编码器的生成技术,而第二级概率模型采用基于高斯混合模型的抽样方法。相应的结果表明,两级概率模型可以产生比传统的基于变分自编码器和生成对抗网络的技术更为多样的骨架姿态。（3）搭建了一套基于循环网络的手语识别与生成系统。系统中的手语识别部分采用深度神经网络中的双向长短期记忆网络进行编码,对手语序列特征进行提取,通过Softmax层进行分类完成手语的识别;系统中的手语生成部分是对序列经过一次采样后解码再次随机采样完成的,实现端到端的训练输出完整的手语骨架。在此基础上完成了系统的性能测试,完整数据集中真实数据的识别率达到82.55%,生成数据的识别率达到79.12%。识别时间约为0.003秒,生成骨架的时间约为0.17秒,所有结果表明本文设计的手语系统是可行的。