手势姿态估计在增强现实、虚拟现实以及人机交互等方面存在巨大的应用前景,一直以来是计算机视觉领域的重点研究方向。随着大规模手势姿态数据集的出现,基于深度图像的深度学习方法逐渐成为了手势姿态估计领域的主流方法。当前研究主要通过构建三维卷积神经网络进行手势姿态估计,致力于单一精度的提升,但通常导致模型复杂度过高、推理速度低下,难以满足实际应用、实时运行的基本要求。因此,为追求精度和实时性之间的平衡,本文以单一的深度图像作为输入数据,通过构建二维神经网络进行手势姿态估计。本文着眼于单深度图像下的手势姿态估计研究,研究内容可分为如下两个部分:（1）提出了一种基于CNN和Transformer的异构融合的手势姿态估计方法。该方法分别利用了CNN在局部特征关系建模以及Transformer在全局特征关系建模方面的优势构建了一个特征融合结构。首先,以事先计算的参考点为中心建立立方体框从原始深度图像中分割并归一化手部深度图像。其次,将归一化后的深度图像输入前端网络得到1/2输入大小的特征图。然后,将该特征图输入到两个连续的特征融合结构中得到融合特征,在每个特征融合结构之后嵌入热图监督模块引导网络更好的提取特征。最后,将该融合特征输入后端网络得到预测的关节点坐标。这种结构设计更大程度上挖掘了二维输入的潜力,在提供较高估计精度的同时,算法的实时运行性能也得到了保证。（2）提出了一种基于注意力机制和深度可分离卷积的轻量级手势姿态估计方法。该方法分别利用了注意力机制在引导网络进行特征提取以及深度可分离卷积在降低标准卷积参数量方面的优势构建了一个轻量级神经网络。首先,对原始深度图像进行预处理获得归一化的手部深度图像。其次,将归一化后的深度图像输入前向的特征提取网络得到四种分辨率的特征。然后,将该特征分别输入到对应的多分辨率特征融合网络得到融合特征。最后,将该融合特征输入到关节点预测模块得到对应的关节点坐标。这种结构设计使得模型复杂度大大降低,在保证估计精度的同时,拥有更好的实时推理速度,可以应用于移动和嵌入式设备等内存和算力有限的场景之中。本文在该领域的三个主要的公开手势姿态数据集ICVL、MSRA和NYU上进行了大量的实验,深入地探究了两种方法中提出的结构设计的具体作用,同时又与该领域的其他方法进行了详细的对比。实验结果表明,提出的两种方法都能够在保证较高估计精度的同时,具备良好的实时运行性能。