人体运动识别是近年来计算机视觉领域的重大研究课题之一，它在运动捕获、人机交互、视频监控、视频存档与检索等方面都有广泛的应用，并具有重大的应用前景。但由于人体运动的多变性和多样性，背景的嘈杂及光照条件，衣服纹理和自遮挡等多方面的因素严重影响人体运动的识别效果，所以，如何从复杂的人体运动中找到能正确表达运动信息的本质特征，从视频图像中准确估计人体姿态，实现人体运动识别是计算机视觉领域长期存在且备受关注的关键问题。本论文由人体运动的结构化信息出发，就寻找低维高效的描述子、增强特征的表征能力以及提高人体运动识别的鲁棒性等方面做了大量工作。主要完成了以下工作：1.提出了一种基于混合特征的人体运动识别方法。利用第二代曲线波变换能够最优地稀疏表示目标边缘的优点，从最优表征人体姿态边缘和纹理特征出发，巧妙运用第二代曲线波变换的统计特征作为图像特征，训练学习并识别人体运动。首先将图像进行第二代曲线波变换，将曲线波变换的各尺度的子带系数进行两种剖分，分别将各个剖分子块的统计量级联得到第二代曲线波变换的特征向量和共生矩阵的特征向量，最后将级联得到的特征向量输入分类器训练学习并实现分类与识别的实验。2.提出了一种基于时空兴趣点检测的人体运动识别方法。在视频流的基础上，根据运动中人体的拓扑关系和时空运动信息，首先对运动视频中人体活动频繁的兴趣点区域采用基于Gauss滤波器和Gabor滤波器结合的方式进行检测，然后根据时空兴趣点和人体重心的位置关系，计算在极坐标系中强度分布的直方图，提取统计特征用于表征人体运动。其间对直方图特征进行了归一化，以利于保持特征的鲁棒性和选择性，使得识别结果更加符合人体运动规律。3.提出了一种基于时空梯度特征的分部位的人体运动识别方法。首先对人体运动序列进行时空兴趣点检测，其次根据图结构模型，提取各人体部位中基于时空兴趣点的时空块，并计算该时空块中基于各层最大梯度的统计梯度特征作为该部位的运动特征；再利用人体重心位置计算人体运动的速度特征；最后将人体运动的各部位的运动特征和速度特征级联得到人体运动的最终特征，用于人体运动识别的仿真实验。本论文工作得到了国家自然科学基金（编号：61075041、61105016）的资助。