在稀疏表示理论日臻完善的背景下,信号的稀疏表示逐渐引起了越来越多的研究学者的关注,并且被广泛地应用在了各个领域中。与此同时,以三维电影和游戏为代表的数字媒体产业逐渐兴起,计算机动画技术有了很大的发展,成为学者们的研究热点。由于人体运动捕获数据有其独有的空间结构和时间结构,单纯地使用现有的稀疏表示理论模型很难对运动捕获数据进行分析处理,因此如何有效地使用稀疏表示理论对运动捕获的数据进行建模,并对人体运动捕获数据进行分析、处理,以取得更好的效果,是本文研究的主要目标。本文的研究工作主要涉及以下三个方面内容：(1)基于稀疏表示的半监督距离学习用于人体运动捕获数据的相似性度量。人体运动的检索技术是运动数据管理和重用过程中必需的环节。由于欧式距离难以度量两个运动间的逻辑相似性,为此本文提出了一种基于稀疏表示的半监督距离度量学习算法,利用带标记的运动进行训练来挖掘运动间的逻辑相关性,利用无标记的运动进行训练能够充分挖掘出运动间的潜在规律,用以学习得到运动间的马氏距离度量,从而判断两个运动的逻辑相似性来进行运动的检索。该方法能够获得较高的查询精度,且没有任何人工干预,可应用于自动检索。(2)基于多表示的联合稀疏模型用于人体运动的关键帧提取。当面对大量运动捕获数据时,数据的快速浏览不可或缺。本文将关键帧提取问题转化为稀疏字典选择问题,将多表示模型与联合稀疏表示模型相结合,用以进行关键帧提取。所提取的关键帧能够包含原始运动中的大部分信息,并且由于稀疏性的存在,所得关键帧个数少。同时由于运动数据是时序数据,引入三角约束,充分考虑到时序数据的局部相关性,提取的关键帧仅仅对其一定邻域范围内的其他帧表示起到作用,关键帧中所包含的信息更加准确。(3)基于结构稀疏主成分分析的人体运动合成。本文将结构性稀疏与主成分分析相结合,提出了一种自动获取低维可理解运动参数的结构性稀疏主成分分析模型,从而实时地生成符合用户需求的逼真运动。结构性稀疏语义参数化模型将各种独立结构的运动属性自然地提取出来,并关联到不同的低维运动参数上,并极大降低了运动合成的控制复杂度,同时不会损失合成运动的质量,只需简单地修改一下运动参数的数值,即可实时、直观地控制运动生成。