康复训练是肢体运动功能障碍患者恢复肢体运动能力的必要手段,因此研究康复医疗技术对社会和家庭都具有重要的意义。而传统的康复训练技术存在一些问题,例如费用高昂、需穿戴设备且需定点地接受康复治疗。为了摆脱传统康复训练的成本以及地点等因素的限制,近年来以Kinect深度相机为代表的视觉技术也逐渐应用于康复训练场景中。而现有的Kinect设备较贵,对环境光照及遮挡等问题比较敏感。随着深度学习技术不断地进步,人体姿态估计以及人体动作识别技术已经取得了较好的效果,已具备应用于实际场景的可能性。但在获得高精度的同时,这些深度学习模型的复杂度很高,对它们的实际运用造成一定程度的限制。针对上述需求及现有技术存在的问题,本文以综合衡量算法精度与复杂度的平衡性为指导,提出了轻量级中心网络的人体姿态估计算法和基于人体姿态序列的轻量级动作识别网络。本文首先使用轻量级中心网络从图像序列中提取患者的人体姿态序列,然后基于获取的人体姿态序列,通过使用轻量级动作识别网络实现对患者康复训练动作的识别。最后,本文以轻量级人体姿态估计及动作识别算法为基础,使用QT框架搭建基于人体姿态识别的康复训练系统,可以让患者在家就能完成康复训练。本文具体的研究内容如下:（1）针对中心网络整体复杂度高,实际推理速度慢的情况,为了让轻量级中心网络在精度及复杂度之间达到较好的折衷效果,本文先通过对中心网络的复杂度情况进行分析,然后以轻量级模块化设计为基础对中心网络进行轻量化设计。具体地,本文通过设计轻量级的基础残差块和上采样模块等方法实现对中心网络的轻量级设计。经设计,本文最后得到轻量级中心网络,该网络的参数量和计算复杂度分别为3.56M和6.8GFLOPs,分别仅为中心网络的17.7%和17.4%。最终本文以损失少量精度为代价,实现对中心网络的大幅压缩,在网络精度及复杂度之间取得较好的平衡效果。（2）本文提出基于人体姿态的轻量级动作识别网络。该网络融合了动作的位置视角不变性特征及多尺度运动特征等信息。实验结果表明,该网络在本文构建的包含15类动作的康复训练动作数据集上达到了96.90%的识别精度,且其参数量和计算复杂度分别仅为0.41M和0.006GFLOPs,实现了轻量高效地识别患者的康复训练动作。同时,在公开动作识别数据集JHMDB上,该网络获得了80.70%的准确率,取得不错的识别效果,进而再次验证了该网络的有效性。（3）本文基于QT框架搭建基于人体姿态识别的康复训练系统。该系统不仅使用本文提出的轻量级算法和余弦DTW算法完成对患者康复训练动作的识别与评估,而且搭建了用于康复训练的体感游戏功能。此外,该系统还搭建了管理个人信息及病程记录等功能,让患者可以在家庭环境下进行康复训练,从而提高了康复训练的效率。