手势是人机交互中的一个非常重要的手段。由于近些年来人工智能、增强现实和虚拟现实技术的迅猛发展以及深度相机的普及,实时并且准确的手势姿态估计成为了人工智能研究领域的一大热点研究问题,它可以在我们的日常生活中发挥重要的作用,计算机视觉为手势姿态估计领域的研究与发展提供了一种全新的更好的思路,3D手势姿态估计也是计算机视觉中的一个非常有挑战性的任务。最近几年,卷积神经网络在计算机视觉领域中获得了非常广泛的应用并且取得了巨大成功,同时在当前互联网高速发展的推动下,各种新的大型公共标准数据集不断出现,极大的推动了卷积神经网络在手部姿态估计领域的发展。针对目前手部姿态估计领域存在目标场景复杂、人手自由度高等问题,本文设计了一个基于注意力机制的卷积神经网络结构的3D手势姿态估计回归模型,主要研究工作如下:为了解决复杂场景下的背景对手势姿态估计产生影响这个问题,本文根据深度值信息把包含人手部分的深度图像从场景比较复杂的深度图像中精确分割出来;为了避免目标和相机平面之间的距离不一致而影响手部姿态估计精确度,对深度图像做归一化处理。同时为了定位出感兴趣的区域,设计了一个基于注意力机制的卷积神经网络结构来解决手势姿态估计问题。为了使卷积神经网络模型训练得更快,对groundtruth(标注)应用主成分分析法进行了降维处理,这样就极大地减少了卷积神经网络中全连接层的参数,也相当于对手部姿态添加了一定的姿态约束,并且还对heatmap(热力图)损失的有效性进行了对比实验。本文的实验结果表明,heatmap损失能提高我们提出的神经网络模型的泛化性能,而且基于注意力机制的卷积神经网络模型在三个公共标准数据集上达到了比较好的性能,证明了我们提出的方法的有效性和优越性。