人体运动分析一直以来都是科研领域的热点,它是对计算机视觉,机器学习等学科的综合应用。早期的人体运动分析研究都是基于RGB图像而展开的,但其准确率受到光照,遮挡,视角变化等因素的影响较大。基于深度图像的算法不仅能够提供3D骨骼数据,而且受光照,视角变化等外界因素的影响较小。近年来随着深度摄像头的普及以及提取3D骨骼数据技术的成熟,基于3D骨骼数据的人体运动分析研究逐渐成为该领域的新热点。人体运动分析包括两个重要部分:运动分割和运动识别。运动分割是把运动数据按类别属性分割成若干片段。运动识别则是识别运动数据所属的动作类别,如:跑,走路,跳等。由于个体的运动差异,运动复杂性,以及运动捕获数据受器材的精密程度等外部环境的影响,对运动数据进行运动分析是一项具有挑战性的工作。在运动分割方面,本文在已有的分割算法基础上进行深入分析,提出了一种自适应聚类分割算法。该算法首先利用转折点侦测算法对运动序列进行粗略分割,将运动序列分割成若干片段。然后引入最大均值差异算法来衡量各片段之间的相似性,并结合主成分分析算法对描述各片段相似性的矩阵进行分解,进而确定运动序列包含的运动种类数。最后利用分层聚类算法分割出每个运动中的周期运动,实现精细分割。该方法不仅能对运动种类数未知的运动序列进行分割,而且对运动序列中所有的运动进行了聚类标注。在运动识别方面,本文提出了一种基于全局信息的特征表示方法。由于深度摄像头捕获的3D骨骼数据含有大量噪声,早期的特征表示采用的是局部特征,因此它们不能很好的抑制噪声对识别准确率的影响。由于人体的运动具有时序性和平顺性,基于全局信息的特征表示对噪声的抑制效果更明显。在此基础上,本文将同一运动的同一个关节点在同一坐标轴方向上的所有欧拉角拟合成独立的高斯模型,然后利用关节点的欧拉角对应的高斯权值进行特征表示,最后结合隐马尔科夫模型进行运动识别。因为采用了全局信息的特征表示,本文的方法能在噪声环境下实现较高准确度的运动识别。最后,本文在不同基准数据库和自建数据上进行实验,通过对实验结果的对比分析,可以看出本文算法在运动分割和运动识别上有更好的性能。