随着计算机视觉领域的不断发展,以及人机交互需求的提升,基于计算机视觉的手部姿态估计方法近几年来层出不穷。深度卷积网络的提出对手部姿态估计研究发展有着显著的效果提升,具有极大的应用意义与研究潜力。目前为止,三维手部姿态估计的方法根据输入信息不同可以分为两种:一种方法为基于普通单目RGB图像,另一种则基于深度图像或RGB-D序列。在基于深度图像的手部姿态估计方法中,一些方法取得了较好的实验结果。但由于深度相机昂贵以及难以普及,且深度相机必须在稳定的室内空间中运行,这样的情况导致基于深度图像的手部姿态估计方法应用场景被限制。然而,由于以下原因,基于RGB图像的三维手部姿态估计任务目前仍然有着极大挑战性。这是由于:1、由于手部灵活度较高,没有充分利用二维信息导致三维估计的准确度较差;2、手部在图像中的尺度较小,导致手部目标难以获取影响手部二维、三维姿态估计准确度。所以本文提出一种基于RGB图像的三维手部姿态估计级联网络,有效的改善了上述问题。针对手部在图像中尺度中较小的问题,本文设计并实现了一种轻量化的剪裁方法,同时利用形态学膨胀原理提升剪裁效果,通过剪裁原图像能准确定位出手部在图像中的位置以提升手的分辨率,同时可以提高后续手部姿态估计的准确性。此外,在后续三维手部姿态估计中,为了更好的利用二维手部关键点热图,本文提出并实现了一种基于二维热图恢复三维手部姿态的方法,该方法与现有三维手部姿态估计方法相比准确度明显提升。针对手部较灵活的特性以及直接从二维信息中恢复三维手部姿态的难点,本文设计并实现了一双通道网络,首先通过注意力机制结构对二维结果直接提升到三维姿态的结果进行微调,其次建立规范坐标系,利用视角估计网络学习规范坐标系与原坐标系的放射关系,以优化三维姿态估计网络的准确度。经过实验证明,该方法有效的提高了三维手部姿态结果的准确性。