人体行为识别技术是涉及图像处理、模式识别、人工智能、计算机视觉等技术领域的研究课题,在实际生活中具有广泛的应用前景,例如在虚拟现实、行为跟踪分析、视频安防监控和运动训练姿态矫正等领域。在以往的研究过程中,研究对象往往限于普通色彩视频或者姿态图像中的人体行为动作内容。随着三维体感技术逐渐成熟,包含景深信息视频数据渐渐进入研究人员的研究视野,例如Kinec、Leap Motion等三维体感设备的产生,人体行为识别也从传统的二维视频转向三维时空视频上。本文中,通过Kinect体感设备采集人体行为动作视频信息,从理论算法角度对其进行分析和识别,并实现人体行为识别及个性化控制服务系统平台。本文主要研究工作包括：首先,对过去常见的行为识别方法进行介绍和分析,并通过仿真实验验证过去方法的效果和分析其不足,引出本文人体行为识别的研究方法。针对色彩视频和包含景深信息的深度视频,本文中,通过背景减除法提取视频序列中人体行为运动对象。然后分别采用时域运动历史轮廓模型和三维时空模型的建模方法,对色彩和深度视频进行建模,提取视频中有效的人体动作图像信息,为视频序列中人体行为特征信息提取奠定基础。然后,在时空局部模式编码的特征信息提取方面,本文通过引入局部二值模式(Local Binary Patterns, LBP)及多种拓展形式的纹理特征,分别对时域运动历史轮廓模型图像和三维时空模型空间变化图像进行特征提取,即获得三维时空局部模式的纹理特征数据,进而进行特征分类。在特征分类方面,本文分别采用了基于K均值聚类的最小近邻分类、K近邻分类和隐马尔科夫模型分类方法,对得到的三维时空局部模式的纹理特征数据进行分类和行为识别。最后,在理论算法和实验验证的基础上,根据现实生活场景将本文方法应用到系统平台软件中,实现了智能家居控制场景、运动街景模拟和全景图像浏览场景的个性化控制服务,同时,引入CUDA并行处理技术,实现行为动作视频的快速处理和行为分析识别。