Cette étude se concentre sur la catégorisation des gestes des plongeurs en analysant les caractéristiques angulaires extraites des mouvements de leurs membres supérieurs sans exploiter les informations encodées par les mains, comme c'est généralement le cas dans la littérature. Notre approche se veut la plus générique possible, afin de permettre la reconnaissance des gestes, quel que soit l'équipement du plongeur, et d'utiliser les signes usuels utilisés par les plongeurs. De nouveaux pipelines RNN peu profonds basés sur LSTM et GRU sont proposés et évalués par rapport à une base déterministe DTW-KNN. Pour les gestes sous-marins, une étape préliminaire de séparation SVM basée sur l'énergie est introduite pour distinguer les gestes à un bras des gestes à deux bras. Toutes les stratégies de classification sont validées à l'aide d'un protocole « leave-one-out » sur un ensemble de données de capture de mouvements comprenant 14 plongeurs effectuant 11 gestes distincts. La base de données a été collectée en interne avec un total de 1078 enregistrements de gestes individuels. L'étape de séparation par SVM améliore nettement les résultats, de 15 % pour DTW-KNN à 5 % pour les RNN. La meilleure précision de classification des RNN est obtenue pour le réseau LSTM à deux couches proposé, combiné à une couche de résolution 1D et à une couche entièrement connectée, ce qui donne un taux de bonne classification de 89,5 %, comparé à un taux de 92 % avec la base DTW-KNN. Les données et le code sont accessibles au public à l'adresse https://github.com/ LaboratoireCosmerTOULON/DTW KNN RNN.