Hoy en día, los gestos con las manos se han convertido en un área floreciente para que los investigadores trabajen. En la comunicación, los gestos con las manos desempeñan un papel importante para que los humanos puedan comunicarse a través de esto. Por lo tanto, para una comunicación precisa, es necesario captar el verdadero significado detrás de cualquier gesto con la mano para que se pueda enviar una respuesta apropiada. La correcta predicción de los gestos es una prioridad para una comunicación significativa, lo que también mejorará las interacciones humano-computadora. Por lo tanto, existen varias técnicas, clasificadores y métodos disponibles para mejorar este reconocimiento de gestos. En esta investigación, se realizó un análisis sobre algunas de las técnicas de clasificación más populares como Naïve Bayes, K-Nearest Neighbor (KNN), random forest, XGBoost, Support vector classifier (SVC), logistic regression, Stochastic Gradient Descent Classifier (SGDC) y Convolution Neural Networks (CNN). Al realizar un análisis y estudio comparativo sobre clasificadores para el reconocimiento de gestos, encontramos que el conjunto de datos de lenguaje de señas MNIST y random forest superan a los clasificadores tradicionales de aprendizaje automático, como SVC, SGDC, KNN, Naïve Bayes, XG Boost y logistic regression, prediciendo resultados más precisos. Aun así, los mejores resultados se obtuvieron con el algoritmo CNN.