人体姿态识别技术是人工智能和计算机视觉领域中备受关注的研究课题之一。随着Kinect系列等深度传感设备的研究和发展,其独特的深度成像技术以及骨骼关节点定位技术,对光照、纹理和色彩等因素的变化具有较强的适应性。因此基于Kinect深度传感摄像头的人体姿态识别研究得到越来越多的关注,且在众多领域有着广阔的应用前景。本文主要工作内容如下:1、分析Kinect设备的软硬件性能及核心技术,包括深度成像和骨骼跟踪。驱动Kinect 2.0设备采集并建立了人体姿态图库,该图库包括RGB、深度和人体关节点三种数据,由8类常见的人体姿态图像组成,共计3751张。2、分析基于机器学习的人体姿态识别方法,包括隐马尔科夫模型、决策树、支持向量机以及深度学习算法。通过对比算法原理和特点,选用深度学习中的卷积神经网络模型识别人体姿态图像。并重点阐述了卷积神经网络的相关理论,为之后的实验工作奠定了理论基础。3、基于本文采集的人体姿态图库,自行构建卷积神经网络模型进行实验,该模型在三组数据的八种姿态类别上的平均识别率为87.50%。在分析实验不足的基础上,采用数据增强方法对产生过拟合的RGB数据训练集进行扩充,在一定程度上缓解了过拟合现象。并在同一训练集和测试集下,采用基于Inception-v3深度模型的迁移学习算法,可实现95.56%的平均识别率,实验结果表明该模型具有较高的识别正确率。4、在基于Inception-v3深度模型的迁移学习算法实验的基础上,通过GUI设计实现了健身辅助系统的应用。