人体行为识别是计算机视觉中具有挑战性又具有时代意义的研究课题,被广泛应用于智能视频监控、人机交互、运动分析等领域。传统的人体行为识别方法都是基于普通视频所实现的。随着Kinect、 Prime Sense、 Leap Motion等体感设备的普遍使用,基于Kinect的人体行为识别技术进入了人们的视野。本文中,在利用Kinect体感设备采集数据库进行实验的基础上,重点从理论角度对融合景深信息的人体行为识别关键技术进行研究。本文工作主要包括以下方面：在对Kinect基本工作原理进行研究的基础上,引出景深图像所具有的优势。本文将普遍使用的基于颜色梯度的目标区域检测方法应用于景深图像中,并设计实验对该方法所具有的目标区域检测能力进行了验证分析。针对需要对手部姿态进行分析识别的数据库,提出了一种基于边缘变化率的手部区域分割方法。以上预处理过程为下一步人体行为特征提取与描述奠定基础。对于Kinect在人体行为识别中的贡献,大量的研究集中于骨骼模型的使用,而对于景深信息在人体行为识别中的贡献却研究相对较少。本文提出的基于快速移动尺度不变性特征的人体行为特征提取与描述方法,正是将现有的光流法与快速移动尺度不变性特征算法(Speeded Up Robust Features, SURF)相结合,融入景深信息,对基于二维平面信息的特征描述算子进行了改进。针对运动速度较快的目标,利用基于数据库的光流更新方法,从而防止了因为运动过快而引起的误匹配问题。本文方法提高了人体行为特征提取与描述的准确度,并且具有计算速度快,抗干扰能力强的优势。行为分类是人体行为特征提取与描述之后的关键阶段,对人体行为识别结果起着关键作用。现在普遍使用的支持向量机(Support Vector Machines, SVM)具有泛化能力差的缺点。本文中,通过将SVM算法与HMM模型相结合,提出了一种基于内容的多层次分类方法。通过细节的区分,将行为细分成肢体运动与全身运动,进一步的又将肢体运动分为上肢运动和下肢运动等,这样通过分类规则的不断制定形成从上到下的基于决策树的多层次SVM分类器。然后,通过HMM模型对无法人为制定分类规则的数据进行进一步的分类。本文分类方法具有便于增量训练,构建分类器复杂度低、泛化能力强的优势。基于以上工作,本文设计并实现了综合人体行为识别平台。基于该平台对本文的研究工作进行在线测试,并对本文人体行为识别方法的效果进行验证分析。