运动轨迹包涵了复杂长行程空间运动的大量信息,因此,运动轨迹被广泛研究用来识别移动物体的自由形式运动,例如人的行为,机器人的活动以及其他物体的运动。基于轨迹的动态运动描述、感知和识别对于运动分析非常重要。所以,运动轨迹的灵活描述在尤其三维空间的运动感知和识别中占有重要的角色。在现存的研究成果中,运动轨迹通常以其原始数据的形式用来描述运动,然而,这对于获取主要的运动特征来说效率很低。形状描述法和微分不变量签名描述法在获取局部特征方面具有优势,但是缺乏对全局特征的获取。在本论文中,对运动轨迹的描述、感知和识别以及如何提高在广泛环境下的正确率和效率是主要的研究焦点。本文提出了一种具有全局不变量的综合签名描述法。全局不变量能够获取运动轨迹的全局特征,这些全局特征描述了运动轨迹的空间分布情况。这些全局特征对于区分相似运动轨迹的混淆和提高运动识别的精度是非常有必要的。在运动识别阶段,改进的Continuous Dynamic Time Warping (CDTW)算法被用来作为匹配引擎以提高识别精度。在此识别引擎中引入了一个可控的权重参数以适应不同的任务环境。在本论文中的研究工作的第二阶段提出了一种简洁的运动描述机制-基于通用形状的动态索引方法(IGS)作为用来获取运动轨迹中的重要运动特征的高阶描述器。在这种方法中,运动轨迹采用了段级别的描述形式,这对于快速的运动识别非常有效。对应于通用形状的轨迹段能够自然地表现通用形状的特征而无需预先定义任何语法规则,因而,基于段级别的运动轨迹描述能够用这些轨迹段的通用形状所组成的序列来直接索引这条轨迹。应用这种索引方法,运动检索和识别的计算量会大大降低,这对于实时的应用场合无疑是非常重要的。动态索引方法可以拓展到多目标运动的实时识别应用中。在此,本文提出一种基于时间序列的模型来对多目标运动轨迹的平行时间关系进行建模,并以此来识别这些运动。这种方法同样具有时空不变性,而且对于实时应用是高效的。由于这种在时间上平行的多目标运动的轨迹是在时间序列上索引的,所以可以从动态索引数据库中直接提取其平行时间关系。一个用来描述多目标运动的时间关系上的最大变化范围的参数同样被引入,用来对时间顺序索引的数据库进行训练。这种训练方式可以使其在运动识别中具有更高的鲁棒性。本文在实验中将一套立体视觉系统连接到计算机用以获取运动目标的三维运动轨迹。通过这一视觉系统提取到的运动轨迹在进行初步处理之后,被用来测试文中提出的运动感知和识别方法。运动识别的实验结果显示,综合签名描述法对具有相似形状的运动轨迹能够感知其运动特征并区分它们。通过动态索引法的运动识别实验结果证实了这种方法是高效和高精度的,适用于实时应用。