人体运动识别是计算机视觉领域的一个重要研究方向,在智能监控与高级人机交互等场景有着巨大的应用价值。传统的基于二维摄像机的人体运动识别算法易受到光照强度以及纹理变化的影响,深度传感器的面世,其中尤其是微软发布的性能良好价格低廉的Kinect系列使得基于深度信息的研究得以广泛开展,深度信息在很大程度上克服了基于二维图像的这些问题。本文介绍了基于深度信息的人体运动识别技术的研究背景及意义,详细介绍了国内外以深度信息为基础的人体运动识别算法的研究方法并分析了其优劣性,并对常用的基于深度信息的公开数据集进行了介绍。接着以深度信息为基础提出了一种人体运动识别的方法并对其做了优化改进。具体工作内容概括为:(1)提出了一种新的能够表征人体运动特征描述子。该特征以骨架关节点数据为基础,并且不会因视角与尺度的变化而受到影响。然后算法对从动作序列中提取到的特征向量进行量化,之后将量化结果作为观察序列输入至分类器进行识别,本文采用隐马尔可夫模型(HMM)作为分类器。分别在MSR-Action3D数据集和UTD-MHAD数据集上进行了仿真实验并取得了较好的结果。(2)对本文提出的人体运动识别算法进行了优化。该方法利用深度图解决了噪声干扰和自遮挡问题,可以提取出可靠性更高的骨架关节点数据,能达到进一步优化算法的识别效果的目的。同时分别在MSR-Action3D数据集和UTDMHAD数据集进行了仿真实验。(3)提出了一种解决针对多目标检测时的分割任务调度问题的调度策略。此算法并且考虑了能耗约束的情况,命名为WALECC。首先对问题和能耗约束条件进行了数学建模,然后在经典调度算法HEFT的基础上提出满足约束条件的解决方法,最后进行了仿真实验并与当前代表性算法进行对比,验证了算法的可行性与高效性。