人体行为识别是一个涉及模式识别和机器视觉的综合性学科。人体行为识别的目标是从视频或图像中检测出正在进行的某种行为。近年来,人体行为识别技术不仅应用于监控系统、智能家居、体育运动分析,人机交互、影视制作和医学康复等很多领域,还创造了巨大的经济效益和社会效益,从而吸引了越来越多的学者和专家,从事这一领域。通过研究国内人体行为识别的发展现状,以人体骨架模型为研究对象,展开了对人体行为识别的研究,本文所做的主要工作如下:(1)在对传统人体模型分析的基础上,通过微软的Kinect设备,获取人体运动的骨架信息,研究这些数据的行为表示,提取人体骨架的关节点,建立3D动作数据集。(2)针对人体朝向的多角度问题,提出基于3D骨架的多角度的室内人体行为识别方法。首先利用Kinect设备获取人体运动在正视角、斜视角和侧视角三个角度的视频,同时获取骨架的关节点信息,提取人体的全局特征、头部的局部特征、颈部的局部特征、手臂的局部特征和腿部的局部特征,接着对特征集进行字典学习和聚类,最后用线性支持向量机LSVM(Linear Support Vector Machine)来进行行为识别。(3)针对单角度人体行为,本文提出了一种基于3D骨架的隐马尔科夫模型的室内人体行为识别方法。首先将提取的3D骨架信息用均值的方法进行矢量化,再用Baum-Welch算法训练隐马尔科夫模型的参数,得到每个行为的模型,最后进行识别。(4)针对单角度人体动作,还提出了一种基于卷积神经网络的行为识别方法。输入视频,提取视频中每一帧图像空间特征和时间特征,3次卷积操作和2次池化操作,每连续的7帧图像经过这些操作后生成我们所需要的一个128维的特征向量,用这些信息进行识别。本文通过大量的实验数据测试,并与其他算法进行比较,结果表明本文的算法具有较好的识别率。本文的研究工作对于后续的研究工作具有良好的借鉴意义,同时具有一定的应用前景和学术价值。