在科技高速发展的今天,机器视觉技术与人类的社会生活联系日益密切。人体姿态识别是机器视觉领域中的一个重要组成部分,拥有着巨大的应用价值,广泛应用于医疗研究、体育竞技、虚拟现实、智能监控等领域。人体姿态识别的目的是通过使用机器对人体进行自动检测、跟踪、识别姿态,从而实现人与人或周围环境之间的交互行为。本文在以下方面做了研究:（1）基于传统帧差法的目标检测在进行前景目标检测时,会有“噪点团”的出现,这是因为由传统帧差法得到的背景模板中存在拖影的原因,本文所用的目标检测方法在传统帧差法上进行了改进,能够有效地避免鬼影、空洞、拖影等的出现,并且使得背景像素得以保留,较好地适应环境,同传统方法相比,算法实时性较好,准确率较高。（2）在运动目标跟踪过程中,传统的MS跟踪算法是通过区域的颜色或者灰度特征来对运动目标进行跟踪的,这很难解决复杂多变的实际场景下的跟踪问题。本文提出的MS跟踪算法在使用目标颜色特征的同时,还融合了LBP纹理以及彩色图像梯度特征,并且联合了目标区域的矩信息来计算跟踪过程中的前景目标的大小以及方向的变化。新算法为光线变化、背景干扰等问题的解决提供了更好的解决方案,改善了单一颜色特征情况下的MS跟踪算法对于目标跟踪的容错率,由于目标尺度和方向的变化,增强了跟踪算法的鲁棒性。（3）对人体关键点检测的算法进行了研究,采用了自下而上的人体骨架构建的Open Pose算法,通过VGG19和两分支网络,准确地预测出人体关键点的置信度图和部分亲和字段,检测出人体关键点并通过聚类将各自的关节点分配给每个人,实现了骨架的构建和关键点的提取,该算法处理速度快、耗时少。（4）在人体姿态识别的过程中,使用三个人体特征子集对人体轮廓进行描述,在传统的支持向量机基础上设计多核向量机,可以有效解决因为数据增多而带来的多元问题,能够表达海量的数据样本,该方法与传统的姿态识别算法相比,无论是准确率还是召回率都会更高。