机器人的应用范围已经越来越广泛,与人一起工作形成人机协作共同完成任务已经是随处可见。在传统的人机协作中,为保证安全,机器人与人要处于分离状态,这种状态下的人机交互维度单一、效率低下。在新型的人机协作中,机器人与人可以安全合作分享同一个工作空间,与人的能力形成互补,充分发挥机器人与人之间的优势,从而提高自动化程度。在此环境下,机器人应该及时对人的动作做出预测,这一点尤为重要,使用给定的运动数据来学习如何最好地结合一组互补的预测方法,从而积极主动地辅助人工作,对提高人机协作的安全与效率具有重要意义。为提升在人机协作中人体动作预测准确度,减小预测误差,本文提出了一种在人机协作中融合骨骼耦合的人体动作轨迹预测方法,在深度学习下,利用以计算机视觉技术为主流的非接触式识别技术,搭建深度神经网络算法建立预测模型,并将人体骨骼具有耦合性质作为约束条件。主要从以下内容展开研究:首先,将人体几何特征简化,降低因为依赖于人体几何形状的数据建模带来的困难,利用基于计算机视觉技术的开源算法Open Pose提取人体关键点,获取人体动作序列,实现图像与坐标的映射关系,将图像与坐标深度融合,通过坐标的变化表示人体动作过程。在动作预测模型选择中,分析比较各种深度神经网络,选择用长短时记忆神经网络（Long Short-Term Memory,LSTM）建立动作预测模型。其次,使用拉普拉斯评分（Laplacian Scoring,LS）算法建立人体骨骼耦合的约束条件,通过对视频中关键点之间的距离关系做出评分,分数越低两关键点之间的耦合性越强,衡量各个特征的权重,优先选择比较小的权重,组合出具有强耦合性的关键帧,保持数据的特征并对其分组,形成骨骼耦合约束条件;使用ISODATA（Iterative Self organizing Data Analysis Techniques Algorithm）聚类算法优化LS算法,对组成的关键帧做相应的“合并”或“分裂”,去除出现的冗余数据,保持模型对数据的理解能力,增强数据的真实性,完善骨骼耦合约束。最后,建立融合骨骼耦合的LSTM网络人体动作预测模型,将人的动作序列作为训练集输送给LSTM网络训练,目标是通过当前30帧动作序列预测后续15帧动作序列。在训练中,融合骨骼耦合的约束条件并将当前动作序列与未来动作序列形成准确映射关系;在测试中,将新的人体动作的初始序列作为测试集输送给已经训练好的动作预测模型中,对未来动作序列做出超前预测。在对比实验中,将未融合骨骼耦合性质作为约束条件的LSTM及循环神经网络（Recurrent Neural Network,RNN）都与本文模型做对比。对比实验数据表明,在融合了骨骼耦合性质后,LSTM的准确率可以进一步提高,能够更加合理地预测操作者的动作轨迹,对动作轨迹预测的准确率超过了80%,高于未改进的LSTM及RNN,该对比实验验证了算法的有效性与适应性,基本可以帮助人机协作在安全高效的状态下执行。