上肢日常动作分析在上肢神经肌肉系统疾病诊断、康复疗效评估、运动科学、上肢外骨骼设计和控制以及假肢控制等方面具有广泛的应用和重要的研究价值。人体运动数据可由惯性传感器或光学传感器采集,其中微软的Kinect能够实时提供肢体关节点的三维空间坐标,具有非接触、低噪声和低成本等优势。因此,本文基于Kinect研究上肢日常动作分析方法。主要的内容包括:本文选取七类日常动作作为研究对象,分别为拿起杯子置于口边、从口边放下杯子、水平面前移、水平面后移、上肢外展、上肢内收和双臂合抱动作。其后建立深度相机的骨骼数据采集系统,并且完成上肢动作的数据采集工作。本文提取的上肢运动特征包括关节速度、关节加速度,以及肩关节内收/外展、肩关节屈曲/伸展、肩关节内旋/外旋、肘关节屈曲/伸展的角度、角速度和角加速度。提取后的运动学特征序列一共包含36个,并且采用主成分分析法进行特征选择。识别模型采用动态时间规整算法和双向长短期记忆网络,将提取到的运动学特征作为识别网络的输入。采用准确率、精确率和召回率对识别结果进行验证,基于动态时间规整算法的上肢动作识别准确率可以达到78.30%,基于双向长短期记忆网络上肢动作识别准确率可以达到91.7%,由此证明运动学特征作为识别网络特征的有效性,及双向长短期记忆网络识别效果要明显优于动态时间规整识别算法。评估模型采用高斯混合算法,将运动学特征作为输入,在正常运动模式上训练高斯混合模型,通过计算测试序列和正态模型的似然值来定量评估上肢运动质量。本文提出将运动学特征序列概率模型和运动指标概率模型上的评估结果加权融合,得出的上肢动作量化分数作为评估结果。在不同的上肢完成度、不同的身体状态和不同的执行次数情况下对评估模型进行验证。加权融合后,评估模型的皮尔逊（Pearson）的相关系数分别为0.89、0.83和0.91。基于加权融合的评估模型更准确地反应了个体的上肢运动情况,证明本文所提出的上肢动作评估模型能够有效地评估上肢运动情况。