在科技革命的智能化时代背景下,各种智能产品不断涌现,如:智能家居、智能工厂、智能交通等,人机交互的方式不断革新,从键盘、鼠标到触摸屏,再到人脸识别、手势识别,人机交互方式正在向着智能化、非接触化趋势发展。手作为人体最灵活、最易控制的器官,在人机交互中可以根据不同的姿态传达不同的信息,基于手势识别的非接触式人机交互一直是研究热点,不管是穿戴式手势识别还是传统计算机视觉的手势识别都做出了相当好的成果,但是由于穿戴式手势识别价格昂贵,传统计算机视觉基于肤色的手势识别太依赖专家经验进行“特征工程”,鲁棒性不强,不适用于复杂环境。近年来,深度卷积神经网络以强大的特征提取能力和较强的模型泛化能力取得了较好的成绩,深度卷积神经网络集特征提取和分类于一体,减少了人工过多干预,可以简单快速地构建手势识别系统。本文使用深度卷积神经网络模型实现移动端的离线实时手势识别,主要工作如下:首先,分析和对比传统机器视觉基于肤色的手势特征提取和深度卷积神经网络的手势特征提取在不同环境下的效果,对比实验结果,深度卷积神经网络在特征提取方面的鲁棒性较强。然后,分析几种高效的深度卷积神经网络模型,在此基础上设计能够用于本文手势识别的深度卷积神经网络模型。接着,采集数据集和使用Tensorflow编写模型和训练程序,进行训练模型,开发Android应用程序,将模型应用到手机移动端。最后,测试模型的识别性能,根据移动端的测试结果,本文所设计的模型在较小的参数量和计算量的前提下,除了代号为2、3、4的手势外,其他手势识别正确率都在70%以上。并以平衡车为受控对象测试本文所开发的非接触式人机交互的性能。