我国的聋哑人的数量在全国总人口数量上占比很大,手语作为聋哑人与正常人之间的重要的交流工具,研究手语识别的意义在于不仅增进聋哑人之间交流,更能够帮助正常人能够理解聋哑人的手语表达,能够使正常人更好的帮助聋哑人,聋哑人也能够更好的与社会有进一步的交流。本文借助深度学习中的一些方法对手语进行了一定的识别研究,在传统的图像识别中,采用的模型一般结构相对较复杂,在池化层虽能较好的提取信息相关权重系数,但网络结构繁重难以计算,本文的目的是建立一个轻量级的模型,能够让非聋哑人聋哑人都可以在移动端如手机等移动设备中进行实时的手语识别。本文的研究过程如下:首先对静态的手语进行识别,主要是对静态的手指语的识别,在实验中利用YOLO系列中的YOLO-LITE对手指语进行了识别。其次,在对该模型的识别中出现的问题进行分析,对模型进行改进,使得改进后的模型能够在基本满足实时检测的基本需求的情况下进行实验,从而达到实时监测的实验目的。本文研究使用的网络模型其网络结构简单,层数较少,尤其是可以在无GPU的电脑或者移动设备上使用,这在一定程度上符合了本实验中对移动设备的要求。在本实验的准备工作中发现,有关手语的数据集没有权威且公认的。所以决定对本实验的数据集进行自行采集。以保证实验数据的真实性与原创性。对进行实验过程中的参数进行了迁移学习,进行迁移学习的迭代训练,保证了参数上的合理性,在一定程度上可以提高实验的准确率,并对中国科学技术大学的数据集进行了一定的对比,YOLO中同为轻量模型的Tiny-YOLO系列与YOLO-LITE的结构上很是相似,所以选择Tiny-YOLO系列进行了对比实验,实验结果表明YOLO-LITE在对手语识别速度上可以做到快速的识别。在经过多次实验后结果表明:YOLO-LITE的实验速度上有一定的提高,但是在实验的准确率上不高,不能满足现实生活的需求,在经过研究发现同一系列的YOLOv3的识别率很高,特征提取的准确率很高,但是结构整体的层数太多,同轻量级的Mobile Netv2的反残差卷积模块的识别率很高,对反残差模块进行改进参考,在对轻量级的Mobile Netv2的反残差卷积模块进行改进,结果显示准确率有了很大提高,同时也保证了速度上的优势,准确率也相应的得到了提高,可以达到92%。