Das Ziel der Gebärdenspracherkennung (SLR) besteht darin, Menschen mit Hörbehinderung oder Gehörlosigkeit dabei zu unterstützen, die Kommunikationsschwierigkeiten zu überwinden. Die meisten existierenden Ansätze lassen sich typischerweise in zwei Kategorien einteilen: auf Skelett- und auf RGB-Basis basierende Methoden. Beide Ansätze weisen jedoch erhebliche Grenzen auf. Skelett-basierte Verfahren berücksichtigen keine Gesichtsausdrücke, während RGB-basierte Ansätze oft die fein strukturierten Handformen vernachlässigen. Um beide Limitationen zu überwinden, schlagen wir einen neuen Ansatz namens Spatial-temporal Part-aware network (StepNet) vor, der auf RGB-Teilen basiert. Wie der Name bereits andeutet, besteht StepNet aus zwei Modulen: Part-level Spatial Modeling und Part-level Temporal Modeling. Insbesondere erfasst das Part-level Spatial Modeling automatisch appearancesbasierte Merkmale, wie Hände und Gesichter, im Merkmalsraum, ohne dass keypoint-basierte Annotationen erforderlich sind. Gleichzeitig extrahiert das Part-level Temporal Modeling implizit sowohl langfristige als auch kurzfristige Kontextinformationen, um zeitlich relevante Merkmale zu erfassen. Umfangreiche Experimente zeigen, dass StepNet dank seiner räumlich-zeitlichen Module eine konkurrenzfähige Top-1 Per-instance Genauigkeit auf drei gängigen SLR-Benchmark-Datensätzen erreicht: 56,89 % auf WLASL, 77,2 % auf NMFs-CSL und 77,1 % auf BOBSL. Zudem ist der vorgeschlagene Ansatz mit optischen Fluss-Eingaben kompatibel und kann bei Fusionsintegration eine überlegene Leistung erzielen. Für Menschen mit Hörbehinderung hoffen wir, dass unsere Arbeit einen ersten Schritt in Richtung effektiverer Kommunikationshilfen darstellt.