运动捕获数据作为一种新型的多媒体数据,在影视,游戏和医疗康复领域都得到了广泛应用。此类数据通过记录每一时刻人体关节点的位置和朝向,构成整个运动帧序列。由于其捕获到的人体位置信息非常的准确,能够在各种复杂的场景中刻画出人物模型的运动,给人以强大的视觉冲击,因此获得了大量用户的青睐。但专业的运动捕获设备价格高昂,所以只有大型的机构或公司才能完成运动捕获的任务。运动合成技术由于能够利用现有的运动数据,通过分析建模合成出用户所需的运动序列,因而在运动建模领域成为了一个研究热点。但运动捕获数据自由度较高并且数据结构复杂,需要运动特征学习算法获取运动数据中的时序信息和空间信息,用于完成运动数据相关的任务,例如运动分割,关键帧提取,运动合成等任务。早期的一些运动特征学习和运动合成算法基本上都是从统计学的角度出发,没有考虑到运动数据的运动学特性,之后又有学者提出了基于机器学习方法的相关模型,但只是将一些经典的机器学习算法在运动数据上进行了套用,没有取得较好的结果,因此本学位论文利用运动数据的重要特性,针对运动特征表示和运动合成任务,设计适用于人体捕获数据的深度模型。具体工作包括两个方面:（1）基于局部自表示子空间学习的运动特征表示学习:提出了一种针对运动捕获数据的时序自监督学习模型,将运动数据和分割任务的特性作为监督信息指导子空间的学习。具体来说,考虑到运动数据的时序性,使用时序卷积模块提取时序特征。为了在时序任务中实现自表示的局部有效性,设计了局部自表示层,用于阻断时序上相隔较远帧之间的联系。为了模拟特征空间中运动数据的可插值性,对局部自表示层的权重施加组稀疏性的约束,以此选择合适的关键帧重构出整个运动序列。此外,基于子空间理论,提出了子空间投影损失,将每个运动帧投影到对应的子空间,通过计算该样本到自己所属空间的距离惩罚潜在的分类错误。在合成数据的实验中,通过对所学习到的显式特征进行可视化,验证本模型的线性特征学习能力。在真实运动捕获数据的实验中,运动分割和关键帧提取的结果证明了该方法的有效性。（2）基于首尾帧和运动规律的运动合成模型:为提高运动合成的可控性和可理解性,将运动首尾帧和动规律联系起来,学习首尾帧与运动规律之间的非线性映射关系,通过输入给定的首尾帧,输出对应的运动序列。该模型主要分为运动规律提取网络和运动合成网络。基于LSTM的网络用于高效提取运动规律,以解决之前基于优化算法时间成本过高的问题。运动合成网络是由合成模块提取首尾帧所包含的特征信息,并学习首尾帧与运动规律之间的非线性联系,以解决现有方法采用联合特征空间建模的理论缺陷。实验中高效准确的运动规律提取结果和高质量的运动合成序列验证了本模型的有效性。