本论文主要探讨了图像序列处理中的非监督分析方法,包括基于HMM过渡模型的序列自动切分方法;基于HMM的序列非监督聚类方法;以及底层图像提取阶段基于PCA的自动确定图像特征描述方法。论文首先对操作型手势进行了分析,操作型手势是指手势的含义要通过一个手势序列来表示,与静态手势相区别。对于特定的用于浏览三维物体的手势集,用HMM模型对各类手势序列进行建模。并引入过渡模型方法,可以对连续的输入手势序列自动进行切分和识别,达到实时在线识别的目的。过渡模型能够描述各种非典型手势和手势间的过渡过程,并可以对非典型序列成功的拒识。在研究过程中,发现上述基于特定手势集的识别算法在适用范围和可扩展性方面的不足,并从两个方面进行了完善。在图像处理方面,设计了对各种手势和身体姿势投影广泛适用的基于分布的特征提取算法。该算法不需要对特定的手势集人工设计不同的分类器特征,通过进一步对训练样本集的特征进行PCA分解,可以根据样本的实际分布进行PCA线性降维,得到适当的特征描述。另一处改进是本论文的关键工作,把手势抽象成为一种时间序列,非监督地对其进行聚类、建模和识别。在熵最小化的基础上,设计了一种基于HMM的分级聚类方法。在HMM的经典训练算法Baum-Welch算法后,又引入了TOM(转移发生矩阵),以及WTOM(加权的转移发生矩阵)作为每个样本序列的描述。把长度不定的序列聚类问题转变为维数固定的向量聚类问题,然后用典型的基于NCut(Normalized Cut)的分级聚类方法来解决。与基于DTW距离和类k-mean算法比较,本论文提出的方法可以自主确定类别数。且通过采用分级聚类结构和WTOM,使分类过程更加鲁棒。通过聚类,还能从复杂的序列样本集中总结出<WP=5>典型序列,并对其建模。该方法适用范围广泛,可以应用于多种时间序列样本。在本论文中,该方法在手势序列、监控视频和体育视频等多种时间序列的分析中被广泛使用,并取得了很好的效果。