现有的增强现实(Augmented Reality,AR)产品的交互方式主要包括手势交互、语音交互、动眼交互等,其中动态手势交互是最贴近自然的交互模式之一。目前,动态手势识别的研究主要是在大样本量的基础上进行,模型参数量和计算量较大,对硬件的要求高,难以应用到内存有限的移动装置上。本文对动态手势识别进行了相关的模型轻量化研究,以便进一步完善增强现实的手势交互系统。在动态手势分割部分,利用常见的两类手势分割方法分别在不同光照条件和不同背景图像下进行实验,探究了不同方法的特征提取性能状况。根据HSV方法在快速提取手势区域及过滤背景信息方面的优势以及运动历史图像法在提取手势运动信息的方面的优势,确定了以HSV和运动历史图像法作为本文的动态手势分割方案。在动态手势识别部分,提出了一种三维可分离卷积神经网络以实现动态手势识别和网络模型压缩。对三维卷积神经网络的卷积过程进行分离,用于压缩网络参数及提高计算速度,并利用Skip connection和layer-wise learning rate解决了分离后网络难以训练的问题,同时通过shuffle操作促进特征图的信息流通。面向AR眼镜的动态手势识别建立了手势数据集,利用深层网络模型对样本进行可视化分析以及拟合,以便简化复杂的非线性分布问题。在动态手势交互系统部分,利用Unity 3D将三维可分离卷积神经网络模型应用到Hololens全息眼镜上,通过对目标手势进行测试,验证了该方法在Hololens全息眼镜上实现动态手势识别的可行性。