人体行为分析是计算机视觉研究领域备受关注的前沿方向。目前,大多数行为识别和分析都是针对特定异常行为进行的,需要事先根据应用环境的不同,定义所要识别与分析的特定行为。面向未知环境或未知行为,这些人体行为分析方法将失去有效性。因为未知环境中的光照、阴影和运动物体等外界变化因素,以及人体姿态的多样化是人体行为分析所面临的困难。直到近几年随着深度传感器的发展,特别是可以从未知环境中检测到人体,并提供人体骨架数据的Kinect传感器的出现,引起人们从深度图像中分析人体行为产生了极大兴趣。本学位论文提出了基于深度图像的人体行为识别方法和基于层次聚类的人体行为模式分析方法。首先,建立了用于行为识别的先验运动模型。以Kinect提供的关节点数据作为姿态特征,采用Levenstein距离改进了流形学习算法中的拉普拉斯特征映射算法。对多人行为数据进行均衡化处理得到了训练数据,再对训练数据通过改进的拉普拉斯特征映射算法映射到二维空间得到待识别行为的嵌入空间,并结合高维训练数据建立了先验运动模型。其次,采用粒子滤波算法对行为进行识别,并构造了行为表示符号序列。通过重新设计粒子动态模型和粒子观察模型,确定行为识别策略,并且在先验运动模型的基础上提出了基于粒子滤波算法的行为识别方法,然后根据行为识别结果构造出了行为表示符号序列。最后,提出了人体行为模式分析方法。以改进的对称KL距离为相异性测度设计了层次聚类算法,对行为表示符号序列进行聚类。借助于聚类结果的信息熵,设计了行为模式度量指标(Behavior Patterns Metrics, BPM),并以此为基础提出了人体行为模式分析方法。实验结果表明,本学位论文提出的基于粒子滤波算法的行为识别方法,对喝水、挠头、伸展运动、鼓掌、捡东西等5个行为都有很好的识别效果,总体识别率达到了92.4%,验证了本文提出的行为识别方法对重复动作、遮挡、以及动作幅度和速度都具有明显差异的行为仍能获得较好的识别率。同时,以行为识别结果为基础的人体行为模式聚类分析方法可以有效地分析出一段时间内的不同行为模式,并通过BPM的变化程度,可以发现被观察者的行为异常以及行为规律的异常变化,验证了本学位论文所提方法的合理性和有效性。