手势作为一种简单且易表达的交流方式,无论是在人机交互领域,还是在其他应用领域,都有着十分重要的研究价值。相比于传统手工设计特征存在的繁琐复杂、识别率低等缺点,深度学习方法可以自动提取图像特征,且受图像背景因素影响较小,极大地提高了识别率。但随着目标检测技术的发展,其中大多数算法为了获得更高的识别率,一直在不断增加网络的深度,却忽略了这样做所带来的大量参数以及占用的大量计算资源,从而降低了模型的识别速度与模型在移动端设备上的可移植性。针对上述问题,本研究设计了一种基于深度学习的静态手势实时识别模型,在保证模型检测精度与速度均衡的同时,尽可能减小模型的训练时间及模型内存占比,使其有利于在移动端设备上的部署。针对移动端设备计算资源有限及存储空间小的特点,提出一种高效的Shuffle Netv2及YOLOv3集成网络静态手势实时识别方法,以减小模型对硬件计算能力的需求。为解决传统YOLOv3模型的主干网络Darknet-53参数量大、模型占用内存量大等问题,引入一种轻量化网络Shuffle Netv2代替原有的主干网络,以减小模型的计算复杂度,其次在模型中加入CBAM注意力机制来加强网络对通道和空间的关注度,最后采用K-means算法对自制数据集的先验框进行重新聚类,使其对目标进行精确定位来提高模型的检测精度。实验结果表明,经过所改进后的算法在保证检测精度与检测速度均衡的同时,模型的训练时间及权重占比内存取得了极大地改善。当采用PASCAL VOC数据集对上述改进模型进行测试后发现,如果图像中存在密集目标时,改进后的模型会出现漏检的问题。针对这种问题,采用了一种基于AnchorFree的目标检测算法Center Net,不需要额外的计算先验框尺寸,不但减小了部分计算量,而且在密集的目标图像检测中,取得了很好地效果。同样,基于移动端设备,Center Net也存在计算资源上的大量占用,在此引入一种专为移动端设备而设计的轻量化网络Mobile Netv3代替Center Net算法的主干网络,对原有算法进行优化。最后实验结果表明,所优化的模型取得了不错的效果,有利于在移动端设备上的部署。