在计算机视觉研究领域中,人体动作识别一直是一个富有挑战性的课题,且有许多的研究者在此领域投入了大量的精力并取得了不错的成绩。然而,很多传统算法都是基于单一特征,单一视角或单一模态的动作识别算法,其往往受光照、遮挡、阴影和环境变化等因素的干扰,进而影响了动作识别算法的性能。随着机器学习和硬件技术的发展,越来越多的研究者将研究的注意力集中到基于多视角的动作识别算法上,以解决传统动作识别算法的不足。为了解决传统动作识别算法的缺点,本文提出了一种基于―多视角‖的动作识别算法,重要的研究成果如下:(1)提出了一种基于多时空兴趣点特征算法对动作进行描述,可以在较小码书下,取得较好的性能,且具有比较好的实时性。(2)为了在深度数据上更好的描述人体运动过程,本文提出了一种基于深度稠密时空兴趣点的动作描述方法,在深度数据上结合光流和运动轨迹跟踪对动作进行运动特征提取,并使用HOG/HOF描述子对动作进行描述。实验结果表明基于深度稠密时空兴趣点动作描述方法相比其它方法能更好的在深度数据上对人体动作进行描述。(3)建立了一个多视角人体动作数据库,并结合IXMAS数据集,从不同角度讨论了多视角样本对的人体动作识别算法的影响,为进一步研究基于多视角的动作识别算法提供了基础。通过在KTH、Youtuube Action、DHA、MSR Action3D以及UTKinect数据上的大量实验证明了本文提出的算法具有较好的鲁棒性、区分性和稳定性。