在传统的体育运动训练中,通常采用基于肉眼观察的训练方法,而随着计算机视觉的发展,人们开始利用摄像头对运动员的动作进行捕获和分析。但是,在跟踪和分析人体动作的过程中,通常需要人工的参与,使得系统的自动化程度大大降低。因此,为了对运动员的动作进行智能、准确的分析,本文提出了针对关节点的自动初始化和分析方法,建立了动作识别及姿态分析系统,克服了传统的人工标注方法,提高了系统的自动化和准确度,从而为教练提供更全面、更准确的量化信息。本文首先结合背景差分法和帧间差分法进行前景检测,并通过形态学处理对分割结果进行滤噪；然后利用八邻域算法进行人体剪影骨骼化,并提出多特征融合的方法来提取人体关节点,进而利用Lucas-Kanade光流算法和Kalman滤波器对关节点的运动进行跟踪和预测；最后,利用K近邻分类器识别人体动作,评价与标准动作的相似度,并利用比例正交投影模型对二维人体骨骼进行三维重建,计算关节点的三维夹角,最终给出改善建议。本文主要的研究工作和贡献包括：1、在研究了常用的前景检测方法的基础上,本文提出了一种基于阈值差分的前景提取算法,在能够获取背景图像的前提下,利用背景差分与帧间差分相结合的方式进行前景分割,这种方法提取出的人体剪影图像完整性高,并且复杂度低；而在无法获取完整背景图像的情况下,又提出了一种基于漫水填充种子的背景更新算法,这种算法通过帧间差分和漫水填充,能够从含有前景的视频中更新背景模型,具有良好的背景建模效果。2、传统的人体关节点提取方法通常为手动标记或光学标记,这种方法误差较大,自动化程度低。因此,本文提出了一种多特征融合的关节点初始化方法,融合了垂直积分投影、水平线扫描、索引查找表和长度比例约束四种方法,在目标人体保持预定姿势的状态下,自动提取出16个关节点。这种方法不会由于依赖人工操作和经验而产生巨大的误差,大大提高了系统的准确度和智能化。接着利用Lucas-Kanade光流跟踪算法和Kalman滤波器对关节点的运动进行跟踪和预测,在遮挡或运动过快的情况下,对效果有了一些改善。3、在动作识别和分析过程中,本文对动作进行量化分析。利用K近邻分类器,将测试动作与一段标准动作视频做匹配,计算二者的相似度,从而对人体动作的标准性进行评价。并且利用人体的长度先验信息与连贯性约束,通过比例正交投影建立了人体三维骨骼模型,进而计算三维关节点的夹角信息,给出训练建议。这种方法解决了单目视觉的三维信息缺失问题,无需标定摄像头就可以获得图像的三维信息。本文将所建立的人体动作识别及姿态分析系统应用于高尔夫运动。通过实验可以验证,本系统能够准确地从单目摄像头中捕获人体关节点特征,识别人体动作,重建三维模型,为体育运动训练提供有效帮助。