В последние годы машинное обучение применяется в различных областях и приложениях, и его использование продолжает увеличиваться. Модели машинного обучения выявляют закономерности и отношения в примерах входных данных, а также в ответах, ожидаемых от данных. Выявленные взаимосвязи используются для нового неизвестного набора данных, чтобы автоматизировать решение интеллектуальных задач по распознаванию образов, прогнозированию или принятию решений. Сложные задачи требуют большого количества данных и времени для обучения, и данные  нужно пометить для обучения с учителем. Трансферное обучение – это метод, используемый для передачи знаний, полученных от одной задачи, для решения другой. Такой подход позволяет сократить объем исходных данных и время обучения или повысить точность решения интеллектуальной задачи. В настоящей работе представлены результаты экспериментальных исследований по распознаванию статических жестов рук на основе предлагаемой нами модели глубокой нейронной сети, с традиционным полным обучением на всех параметрах, и сверточной нейронной сети архитектуры VGG-16, предобученной с использованием концепции трансфера обучения. Оптимизатор Adam используется в качестве алгоритма градиентного спуска при обучении глубокой нейронной сети. Алгоритм обратного распространения применен для тонкой настройки предобученного нейросетевого классификатора, чтобы получить обновленные веса и повысить точность распознавания жестов. Программная реализация системы распознавания жестов выполнена с использованием Python-библиотек обработки изображений, полученных с глубинного сенсора захвата изображений. Нейронные сети спроектированы с применением фреймворков глубокого обучения TensorFlow и Keras. Производительность предлагаемой в работе модели глубокой нейронной сети сравнивается с моделью трансферного обучения для модифицированной архитектуры VGG-16.