手部姿态估计是计算机视觉领域的重要研究课题,其研究内容是从给定的输入图像或视频数据中估计出手部关键点的三维空间坐标。人体手部姿态估计有着非常丰富的应用场景,例如手语分析、计算机辅助康复病人训练、人类手部运动分析、人机交互和电影游戏等方面。近年来基于卷积神经网络深度学习方法使手部姿态估计的准确性有了显著的提高。然而,深度学习模型比传统模型的参数量更大,算法复杂度更高,因此,需要大量的带标注数据来训练卷积神经网络。由于人体手部相对整个图像较小、手势的复杂性较高、自遮挡等问题,使精确的手部姿态估计较为困难。此外,大规模训练数据中精确三维标注的获取十分困难,成本高昂且费时费力,极大束缚了相应模型的开发。因此,亟需研究高性能、低标注成本的三维手部姿态估计方法。本文针对以上问题,做了以下研究:（1）在数据预处理方法上,针对传统方法背景去除不干净和裁剪不准确问题,提出了一种改进Hand Augment网络的预处理方法。通过在四种数据集上的测试,能够得到高质量的预处理结果,验证了方法可行性和有效性。（2）研究了全监督条件下精确的二维和三维手部姿态估计模型。进行二维估计的主要目的是探究手部姿态特征提取器的骨架模型。全监督的三维估计旨在确定一个高精度的三维手部姿态估计的模型,为半监督研究提供可靠的基础网络。（3）针对数据依赖高和标注成本高昂的问题,提出了一种半监督三维手部姿态估计方法,使用多视角一致性约束和多任务约束相结合的策略。多视角约束是指将输入图片进行一定的变换后,将原图和变换后的图像一起输入网络,使变换后的图片的结果经过逆变换与原图的结果保持一致。多任务约束是指将基于检测的任务和基于回归的任务相结合,使提出的模型具有两者的特点,使模型可以实现端到端的训练。同时,还加入了基于视角约束的直接坐标损失函数和加权特征图的损失函数。提出的方法在四种不同场景的大规模公开的数据集（NYU、ICVL、MSRA和HANDS 2017数据集）上进行了实验验证,验证了方法的有效性。