本文从原理角度和程序执行角度，对卷积神经网络模型进行研究，从组成卷积神经网络的基本单元——神经元开始，上升到神经网络，最终到反向传播算法。在研究卷积神经网络模型的基础上，针对卷积神经网络算法深入学习和研究。通过调整卷积神经网络中的参数（迭代次数、步长），观察不同参数对网络的均方误差和测试准确度的影响。实验表明，增加迭代次数，准确度均会有所上升。步长的选择要适度，非最小或非最大为最佳。步长过大，网络对手势的特征提取不够，准确度稍差；步长过小，计算量增大，时间成本过高。

本文首先从卷积神经网络的基础原理入手，结合手势识别的过程及结果分析进行研究。探讨不同的训练参数，样本情况对训练的网络及验证结果的影响。

总结

本文首先讨论深度学习网络的发展历程，从艾伦麦席森图灵提出图灵验证的设想，到而后一段时间的低谷，再到近十年来又迎来春天。深度学习网络的几大模块，及卷积神经网络在其中扮演的角色，和最近新的发展动向。从中可以看到本文所具有的现实意义。

其次从原理角度和程序执行角度，分别对卷积神经网络模型进行说明和解释，从组成卷积神经网络的神经元，到神经网络，再到反向传播算法。针对卷积神经网络中的参数，选取迭代次数和步长进研究，观察对网络的均方误差和测试准确度的影响。本文表明，随着迭代次数的增加准确度普遍都会有所上升。步长的选择要适度，非最小或非最大为最佳。步长过大，网络对手势的特征提取不够，准确度稍差；步长过小，计算量增大，时间成本过高。

展望

本文重点讨论了迭代参数和步长，对网络训练的均方误差和测试准确度的影响，并尝试对卷积神经网络进行在线测试，效果不是特别理想。使用提高图像对比度和精度等方法，收效不是特别明显。说明本文对卷积神经网络认识还不够，需要更加深入的研究。

神经网络较其他算法而言，在模式识别方面有独特的优势，和哺乳动物的大脑表层的结构更加接近。但仍存在一些问题。未来可以从结构设计上，对其进行优化，而不是仅仅局限在参数学习方面，使其在一些复杂的问题上表现的更加优异。