随着人体运动捕获设备的发展和普及，以及深度摄像机在室内交互应用中的快速发展，人体运动识别与标注及相关技术在动画制作、电影特效以及交互娱乐等多项领域中发挥了越来越重要的作用。一方面随着运动捕获设备的平民化和便携化，运动数据的应用领域也由原先很强的专业性逐渐向大众化、平民化转变;另一方面，随着深度摄像机在视频监控等领域中的普及，运动识别算法的能力得到了巨大提升，因此其面向的主体也由简单的单人运动向复杂的多人交互运动转变;此外，近年来采集的运动数据数量也呈现爆发式的增长，带来了海量数据下的新挑战。因此，对于本文关注的人体运动数据识别与实时标注这一课题，其相关研究工作目前主要集中在四个方向:一是人机交互应用中的快速运动识别与标注，二是监控场景下的复杂多人交互运动识别，三是在海量运动数据中进行相似运动的快速检索，四是解决海量运动数据存储的有效压缩方法。　　本文围绕由运动特征到运动识别这一主线，针对目前相关方向中面临的主要问题，从基础的特征提取，至基于特征的实时识别、面向海量运动数据的快速检索，到多人交互识别这一挑战性问题，最后是面向海量运动数据的有效压缩，自下而上、分门别类进行相关研究，对每个领域中的重点和难点问题均提出了相应的算法和解决方案，主要工作包括:　　首先，特征是人体运动识别的基础，本文针对目前已有三维人体运动特征的不足，设计并提出了两种三维人体运动语义特征，可在运动类别语义层面对人体运动进行有效描述。　　提出了一种基于高斯混合模型的三维人体运动语义特征。该特征基于预处理后的训练数据集，利用高斯混合模型建立关键姿态模型，生成概率姿态特征，可在语义层面对运动序列所属类别进行描述。实验结果表明，该类语义特征具有良好的区分度，且避免了运动匹配中的复杂计算，在一般的运动识别应用中可以满足实时性需求。　　提出了一种基于半监督学习高斯混合模型的三维人体运动语义特征。该特征针对上述语义特征具有的特征维数较高，存在一定冗余，并且由于训练方法是无监督的，生成的关键姿态与实际观察结果并不完全相符的缺点，进行了有针对性的改进。我们对运动数据集进行分析，指定了一系列关键姿态，并对数据集进行了部分标注，采用半监督学习高斯混合模型进行训练，有效提高生成的关键姿态模型的准确度。全部数据集采用统一的关键姿态模型，因此可有效减少冗余。　　接着，面向交互娱乐等实时结果反馈的需求，提出了一种自动在线标注方法，可对实时采集（由深度摄像机或传统运动捕获设备）的人体运动进行实时标注。该方法基于上述运动姿态语义特征，通过将运动序列转化为运动字串，并提出一种字串匹配算法，有效解决了新研究方向中的运动序列匹配这一难点问题。通过数据结构优化，最终实现在线实时标注的目标，获得了较高的识别准确率，并可有效避免时域错位的问题。　　随后，提出了一种面向海量人体运动数据的检索方法。该方法同样基于上述运动语义特征，由于该特征可在语义粒度对运动进行描述，并采用概率模型可轻易转化为序列粒度特征，并且计算简单，因此十分适合用作海量人体运动的快速检索。而在检索过程中提出的基于稀疏表达的检索策略，也使得检索效果有很大的提升。　　接下来，面向更具挑战的多人交互场景，提出了一种多人交互运动识别体系。该方法包括一种针对交互运动的IGPF特征，填补了目前交互运动特征的空白;BFFC模型，可动态调节不同身体部位组合的权重，并与深度特征一起进行融合，生成的分类器组合可有效减少遮挡带来的影响，并提高识别准确率;交互判定条件，包括四种运动学特征，通过训练分类器对多人运动进行交互检测。本方法在深度摄像机不断普及的今天，首次将多人交互识别这一难题在深度视频环境下给出了解决方案，有效克服了传统RGB视频环境下多人交互识别的多项困难。　　最后，面向海量人体运动数据的存储难题，提出了一种高效的有损人体运动数据压缩方法。该方法基于稀疏表达和字典优化，可在保持原始运动数据的完整性，还原后控制重建误差在肉眼不易分辨的范围内的同时，对人体运动数据获得较高的压缩比。此外，由于本章压缩算法不需要数据驱动，因此是一个轻量级的算法，可压缩多种类型的运动数据，适用于各种场合;并且对于增量运动数据库、新增类型运动数据均能有效适应，无需重复训练和重复计算。