人体动作的预测是计算机视觉和图形学领域的重要任务,广泛应用在智能安防和自动驾驶等领域。现有方法主要是基于人体的骨架和图像表示。相对于骨架和图像,三维几何数据表示人体动作更加直观和形象化。近年来,随着三维扫描和建模技术的快速发展,出现了越来越多的三维人体数据集。但目前对三维人体的预测工作相对较少,并且主要使用三角形网格的表示形式,依赖其复杂的拓扑连接性,不如三维点云那样简单和易于获取。为此,本文提出了三维点云表示的人体动作预测方法,主要研究内容如下:（1）提出一种基于PointNet和长短期记忆网络（Long Short Term Memory,LSTM）的三维点云序列表示的人体动作预测方法。首先,使用改进的PointNet网络依次提取每帧三维点云的特征;然后,通过三层LSTM网络学习动作序列的时空特征;最后,使用全连接神经网络来预测下一帧动作的点云坐标,利用均方差损失函数来减少预测误差,将预测结果也作为输入来实现长期预测。该方法在预测下一帧点云坐标时的平均误差均低于10-3,并对带有噪声和缺失数据的三维点云具有鲁棒性。（2）提出一种基于MeteorNet的点云动作序列预测方法。首先,将动作序列中不同时刻的三维点云融合在一起,再选取部分中心点,在同一帧或相邻帧中根据时间变化寻找点的时空邻域并分组;然后,使用Meteor模块在时空邻域聚合信息,并利用多层感知机学习每个点的特征,叠加三层模块以获取点云序列的时空特征;最后,通过全连接网络输出下一帧动作的点云坐标。实验结果表明,该方法预测出的未来人体动作与真实动作具有很低的误差。（3）构建三维点云表示的人体动作序列数据集。使用AMASS数据集中提供的动作参数,利用参数化人体建模的方法,改变人体的形态和姿态参数,生成了具有148种动作的三维人体动作序列,每种动作由100个不同体型的人执行。本文方法在该数据集上取得了较好的预测结果。