在人类交互技术不断发展的今天,人类对诸如手势、影像和声音等各种人机互动技术进行了广泛的探讨。手势识别在人机交互,哑语识别等领域有十分重要的作用,因此手势识别的研究有十分重要的意义。手势识别受数据库、识别环境的影响,识别效率低下。为了在有限的手势数据集中通过网络学习特征,提升手势识别的准确率,本文从以下两个方面进行以下研究:（1）在静态手势识别领域,不考虑图像数据帧之间的时序信息,将静态手势识别按照目标检测任务处理。针对不同手势间相似度大,环境复杂等问题导致手势识别率低的问题,提出一种改进的Yolov5s手势识别方法。首先通过对Yolov5s Backbone部分进行网络结构优化,将CNN卷积替换为Ghost Bottleneck模块来增加目标手势识别率。其次在Ghost Bottleneck模块的输出增加张量拼接,进行上采样,加强图像特征的重用。最后在自制数据集上验证改进的模型在复杂环境时的检测能力,最终实现手势0到手势5的6种手势识别与字母A到字母Z的26种哑语手势识别。实验结果表明,改进后的手势识别网络模型在自制数据集上平均精度均值（m AP@0.5）为94.49%,平均精度AP值为94.2%,在26个哑语数据集上平均精度均值（m AP@0.5）为95.89%,平均精度AP值为95.4%。通过对比Yolov5s算法、Yolov4算法、Yolov3算法以及SSD算法,提出的改进方法检测精度有显著的提高,可完全满足手势控机器人的实时检测应用。（2）针对在动态手势识别领域中,动态手势识别受光照背景影响因素大,造成动态手势识别率低下。同时图像视频内存大,对CPU性能要求高,使得动态手势研究难度大。本文设计了一种基于注意力机制的CBAM-Ghost Bottleneck-GRU动态手势识别算法,对现存的动态手势识别问题如动态手势中连续手势帧序列的时间关联性与空间相关性进行研究。首先面对卷积神经网络只能对图像数据特征进行提取,却无法提取图像数据的时空特征。采用具有强长时间关联性数据处理的门控循环单元（GRU）来提取图像序列中的时间特征。其次卷积神经网络（CNN）训练需要大量数据,Ghost Bottleneck线性卷积运算生成大量Ghost特征图对特征图进行增广,生成更多特征。使得卷积核的个数与权重可相应的减少,减少数据需求量,优化检测速度。最后针对以往算法模型网络设计深,计算量过大的问题,引进注意力机制,重点学习手势区域特征,减少背景对特征学习的影响,提高算法鲁棒性。最后对设计的算法进行实验验证,实验结果表明,CBAM-Ghost Bottleneck-GRU动态手势识别算法准确率为96.89%,具有很好的手势识别效果。