近年来,随着深度相机的广泛应用,实时三维手部姿态估计成为了研究热点。手部姿态估计可以在人机交互、虚拟现实和增强现实等应用中发挥重要的作用。深度学习不断发展,并在各个领域显示出强大的生命力,为手部姿态估计问题带来了强有力的技术支撑。基于数据驱动的深度学习方法在实际应用时计算复杂度低,速度较快,可以满足手部姿态估计问题实时性的要求。因此,基于卷积神经网络的手部姿态估计方法成为三维手部姿态估计领域的主流方法。本文使用深度图像作为输入,通过搭建特征融合网络进行手部姿态估计。具体研究工作可以概括为以下几个部分:(1)本文给出了一种基于密集像素估计的手部姿态估计方法,该方法将手部姿态参数分解为3D热图和单位3D方向矢量,通过将手部姿态参数化帮助网络学习输入到输出之间的映射关系。首先,通过标注的关节坐标获得包含手的3D包围框,从而获得手部深度图像。其次,将手部深度图像送入共享的特征融合网络提取共享特征。然后,将共享特征分别送入3D热图和单位3D方向矢量输出网络,得到3D热图和单位3D方向矢量。最后,采用像素加权投票的方式,获得手部关节点3D坐标。这种网络设计和姿态参数化方法可以很好地提高手部姿态估计的精度。(2)在某些实际应用中,对手部姿态估计的实时性往往有很高的要求,在保证估计结果准确性的基础上,本文给出一种快速的手部姿态估计方法。首先,将输入的深度图像经过预处理获得包含手的3D包围框,从原始深度图像中获得手部深度图像。然后,基于MobileNetV2网络搭建特征融合网络提取融合的多尺度特征。最后,将融合后的特征通过三通道空间注意力模块分别获得拇指、食指和其余三根手指的注意力特征,从而回归出拇指、食指和其余三根手指的关节点3D坐标。该方法采用的网络是轻量级网络,在设备资源有限的情况下,依然能够快速的估计出关节点的3D坐标,同时保证估计的准确度。在ICVL和MSRA手势数据集上进行了大量的实验,对本文给出方法中的模块进行了实验探究,并与其他方法进行了对比。实验结果证明,本文给出的两种方法虽然侧重的方向不同,但是都能够较好的进行手部姿态估计。