近年来,随着硬件技术的不断成熟和计算机视觉领域的不断进展,人体动作识别分析领域得到了长足发展。借助于深度学习强大的特征提取能力,人体动作识别领域已经发展出了多种分支,不断提高着模型的效果。虽然在人体识别领域的研究已初见成效,但是对于人体动作相似度分析问题上却没有十分有效的解决方式。与此同时,近年来康复诊疗需求日益增长,康复训练评估实际上是康复师对康复患者进行的动作分析行为。本课题将使用深度学习进行人体动作相似度分析和康复诊疗需求相结合,借用大型公开数据集,引入注意力机制,构建人体动作图像权重蒙板,训练了一个3D时空域卷积动作特征提取模型,并采用合适的相似度度量对特征向量进行相似度比较。最后构建了一个基于动作相似度评估模型的康复诊疗系统,辅助康复患者进行康复训练学习以及康复度评估。该系统可以大大降低康复训练成本,减轻由于康复人才不足造成的资源紧缺问题。本文主要研究工作分为以下几个部分:1.设计了引入注意力机制的基于3D卷积神经网络(Convolutional Neural Network,CNN)和修正的余弦相似度(Adjusted Cosine Similarity)算法的人体动作相似度分析模型。引入注意力机制,将其与动作特征提取模型相结合,构建视频数据中单帧人体轮廓权重蒙板,将背景进行同质化,代替传统3D时空卷积模型的RGB图像输入,增加模型的复杂度,让特征提取模型更加关注前景信息。3D时空卷积网络在动作识别领域展现了十分优秀的性能,以卷积操作的方式对动作视频序列中的空间特征和时间特征分别提取并融合,同时简单的数据输入和简洁的网络表达方式提供了十分优秀的运行效率。修正的余弦相似度算法引入了中心化思想,将特征向量整合到相同的特征空间之内,可以得到更加客观的相似度度量。2.基于上述人体动作相似度分析模型,采用VueJS+Django+My-SQL架构,结合动作特征提取,相似度分析,动作分类等算法模块,搭建了在线康复视频录制、康复度分析和展示在线康复诊疗系统。同时系统可以保存和分析患者历史数据,进行展示。通过该系统,可以帮助患者更加便捷直观地进行康复训练诊疗。