点云包含丰富的空间信息，为手势识别提供了互补的线索。本文将手势识别建模为一个不规则序列识别问题，旨在捕捉点云序列之间的长期空间相关性。为此，我们提出了一种新颖且高效的PointLSTM模型，该模型能够在保持空间结构的同时，实现从历史信息到未来信息的传播。PointLSTM通过共享权重的LSTM层，将过去邻近点的状态信息与当前特征相结合，以更新当前状态。该方法可无缝集成到多种其他序列学习框架中。在手势识别任务中，所提出的PointLSTM在两个具有挑战性的数据集（NVGesture和SHREC'17）上取得了当前最优的性能，显著优于以往基于骨骼的方法。为进一步验证其泛化能力，我们在MSR Action3D数据集上进行了评估，结果表明，该方法在性能上与现有基于骨骼的方法相当，展现出良好的竞争力。