人体动作分割和识别是人体动作分析的重要组成部分。虽然目前已经有了许多研究,但是人体动作分割和识别仍然存在着挑战性。例如,大多数基于无监督学习的人体动作分割方法存在过度分割的现象,人体动作的类内差异性和类间相似性增加了人体动作识别的难度,等等。本文针对人体动作分割和识别这一问题,首先介绍了基于临界点和基于聚类的人体动作分割、基于传统机器学习和基于神经网络学习的人体动作识别算法研究现状,在此基础上,提出了本文基于3D骨骼数据的人体动作分割和识别算法,具体工作如下:(1)针对人体动作分割问题,本文通过监督学习的方式对动作序列进行标注,提出了基于序列标注的人体动作分割算法。该方法首先提取动作序列的骨骼点位置、骨骼角度和骨骼点运动方向三种空间特征,进而借助双向局部/全局长短时记忆网络提取动作序列的局部/全局时序特征,接下来通过融合交并比损失因子的条件随机场训练序列标注模型,最后根据序列标注模型输出的标签序列对动作进行分割。这一算法的性能在UTKinect数据集上得到了验证,获得了较高的精确率和召回率。(2)针对人体动作识别问题,本文提出了基于特征融合的人体动作识别算法,综合不同角度分析动作特征。该方法首先将每个动作分解成多个子动作,进而通过多尺度小波变换对每个子动作进行分析,提取出子动作的时频特征;在此基础上,通过有机结合子动作的时频特征得到动作的全局特征。同时,本方法通过提出的关系长短时记忆网络学习人体部位在时序上的位置关系,从而提取出动作的时空特征。接下来,本方法通过自动编码器将时频特征和时空特征融合成一个更加高效特征。最后,本方法通过Softmax回归输出动作的类别。本算法在NTU-RGB+D、UT-Kinect和Florence 3D actions 3个公共数据集上进行性能评估,实验结果表明本算法在大数据集上准确率得到了提高。