手势是人类交流的自然形式,在人机交互中具有重要意义。随着人工智能的快速发展,符合人们生活习惯的动态手势在人机交互中逐渐凸显出来,动态手势让人们在日常生活中以一种更自然、更直接的方式进行交互,为人们提供了快速、便捷的生活方式,因此成为人机交互研究领域中的一项重要课题。基于深度学习的动态手势识别方法中,手势特征的提取是关键,但由于动态手势包含空间和时间两方面的特征,大多模型不能同时有效的提取时空特征,不能在时间间隔较长的数据中连接比较靠前的数据信息,此外由于模型多采用常规卷积从而导致特征提取的方式单一、特征信息不充分,进行动态手势识别的网络多为深层网络,随之产生的特征丢失和梯度消失现象也严重影响了模型的质量。针对上述问题,本文提出了一种将特征融合网络和变体ConvLSTM相结合的新型手势识别架构。主要工作如下:（1）针对不能同时有效提取时间和空间特征信息的问题,本文利用三维卷积能够同时提取时间和空间特征信息的特点,结合Resnet结构缓解随网络加深而产生的特征丢失现象,构造了3D-Resnet网络,同时为了缩短输入层和输出层间的连接,引入通道合并操作,构建了parallel-fusion局部特征提取模块,提升了局部时空特征提取的性能。（2）针对视频数据的长依赖问题,本文基于ConvLSTM结构的时序建模能力和空间特征描述能力,提出了一种改进的VConvLSTM模块,通过对输入门、输出门、遗忘门注意力机制的引入,以及减少三个门的卷积操作次数,降低了运算量,提升了全局时空特征提取的性能。（3）针对动态手势特征缺少深度信息的问题,本文对有别于常规卷积的深度可分离结构进行改进,构造深度特征提取模块提取手势深度特征,解决了大多模型只利用常规卷积进行特征提取而导致的特征提取方式单一、特征信息不充分的问题,本文同时在深度特征提取模块中添加了通道合并操作,缓解了特征信息的丢失问题。由于本文在局部时空提取模块和深度特征提取模块中均引入了Resnet和通道合并思想,因此将两个网路统称为融合网络。利用本文所提的深度学习架构在SKIG和Jester数据集上进行实验测试,实验精度分别达到了99.70%和95.68%。实验数据表明本文提出的架构能够有效提升动态手势识别的精度,将本文所提模型与其他先进模型进行对比,本文模型依然具有一定的优势。