随着科技的进步和现代信息技术的发展,人们的安全意识在不断的提高。传统的基于标志物的身份认证系统和基于记忆和知识的身份认证系统已经无法满足人们在生产生活中对安全性的需求。近些年来,随着深度学习技术的蓬勃发展,生物特征识别领域也得到了极大的关注。生物特征识别技术因为其高安全性,高用户友好度,得到了包括出入境管理、金融服务、电子商务、信息安全等高安全需求场合的认可和应用。本文所研究的视频手势认证技术是一种新兴的生物特征识别技术,征收到越来越多的关注。视频手势认证技术的核心是采集用户的手势视频,并使用精心设计的特征提取算法提取用户身份特征,从而用以区分不同用户。相比于其他生物特征识别系统,视频手势认证系统具有采集装置小,成本低,非接触式采集等特点。然而,目前公开的手势认证系统普遍存在着使用模态不同,特征提取性能不高,缺乏可视化能力等问题。这些问题对手势认证系统的性能、用户体验造成很大的影响。针对上述问题,本文设计了一个新的视频手势认证系统:一个使用动态视频作为信息输入,基于深度学习卷积神经网络的嵌入式手势认证系统,该系统具备有结果可视化的功能。相比于现有的手势认证系统,本文的主要贡献在于:第一,针对与目前手势认证领域数据库少,数据库规模不大,导致的难以训练一个深度卷积神经网络的的现状,本文采集了一个目前在手势认证领域中规模最大的数据库,涵盖了 193个ID,总样本量达到29160。此外,本文对这个数据集中的性能结果设计了非常详细的测试协议和规范,方便模型的选取和比较。第二,本文设计了一个小型的嵌入式视频手势认证系统,并从硬件选型,硬件软件的总体设计详细地描述了系统的构建过程。为了提升视频手势认证系统运行速度,本文还设计了一个参数量小,运行速度快的骨干网络,提取60帧视频的特征仅需1.15秒。第三,本文针对性地对特征提取器进行了提升和改进,同时使用了视频手势中的生理特征和行为特征,并采用了多种特征提取算法和特征融合策略。本文提出的基于动静态特征融合的算法相比于目前的算法有非常大的提升,单时段认证等误率达到0.322%,跨时段等误率达到3.693%。第四,本文针对视频手势认证结果存在可解释性不足的缺点,实现了视频手势认证结果可视化功能。