随着光学运动捕捉设备的应用以及运动捕捉技术的发展,人体运动捕捉数据日益庞大,已被成功应用于生物科学、计算机视觉、计算机动画及虚拟现实等众多领域。如何合理有效地利用这些数据已变得非常重要,对已有的人体运动捕捉数据进行分析、组织和管理成为了当前运动捕捉技术的一大研究难点和热点。本文主要针对人体运动捕捉数据,围绕着行为分割与运动分析技术进行了研究,运动分析包括运动模板提取以及运动标注。针对每个方面的问题提出相应的实现方法,并进行了实验可行性验证。论文的主要研究工作包括：针对人体运动捕捉数据行为分割的问题,实现了一种基于核动态纹理(Kernel Dynamic Texture,简称KDT)的行为分割方法。首先对原始未分割的人体运动数据预处理,选取作为相似性比较的参考序列片段和各个子序列片段；然后基于核主成分分析(Principal Component Analysis,简称PCA)的方法分别对参考序列片段和各个子序列片段构建KDT参数模型；最后采用马丁距离度量相似性,根据这些相似性距离的变化特性确定合适的行为分割点。实验结果表明该算法具有良好的行为分割性能。针对运动模板提取的问题,提出了一种新的层次隐运动模板(Latent Motion Template,简称LMT)的学习方法。首先对人体运动捕捉数据集的运动模板建立隐马尔可夫模型(Hidden Markov Model,简称HMM);接着通过采用两阶段期望最大化(Expectation Maximum,简称EM)迭代算法学习层次LMT,第一阶段主要学习顶层的双足运动LMT,第二阶段学习第二层的运动类型LMT以及第三层的运动风格LMT。实验结果表明该算法对不同风格和类型的人体运动捕捉数据具有很好的鲁棒性。针对人体运动捕捉数据标注的问题,提出了一种新的基于层次LMT的运动数据标注的方法。对于每一层的标注分析,在相似性匹配的基础上,采用动态时间归整(Dynamic Time Warping,简称DTW)的方法比较LMT与子序列片段之间的相似性。在第一层上完成双足运动LMT的标注,在第二层上完成运动类型LMT的运动标注以及在第三层上完成运动风格LMT的运动标注。实验结果表明该算法能够有效地完成人体运动捕捉数据的层次标注。