运动评估在运动障碍疾病的诊断与治疗,以及科学运动等领域具有很大的应用价值,近年来获得了广泛的关注。基于现代图像技术的自动化人体姿态跟踪算法可以多维度的量化监控和分析关节的自主运动和被动联动,能够有效地解决传统的人工肉眼估计产生的效率低、误差大以及标准不统一的问题。现有的人体姿态跟踪系统中存在的问题主要可以概括为以下几种类型:易受环境干扰,导致精度较低;精度提高但计算量过大;需借助紧身衣、标记点等外部条件,应用场景受限等。当前,kinect DK深度摄像头是一种廉价且无需接触的较好的人体姿态跟踪方案。本文基于kinect DK,实现了一个面向运动评估的多深度摄像头人体姿态跟踪系统,并重点研究了系统中人体姿态估计算法、人体姿态跟踪算法、数据融合算法等关键内容,以实现较好的人体姿态跟踪效果。本文的主要工作和贡献如下:（1）使用关键帧和非关键帧模式,结合多深度摄像头可以快速获取多视角高精度骨架识别算法的优势,改进了人体姿态跟踪算法。该方法提高了算法跟踪过程中的识别效率,保证了多摄像头对人体姿态的稳定跟踪。（2）针对传统标定方法对运动评估场景和操作人员的熟练程度有一定限制的问题,本论文利用多个视角的深度相机可以快速得到各个视角下彩色点云的特点,使用了不同于传统张氏标定法中平面棋盘格的ARUCO marker标记物,并结合彩色点云配准算法进行辅助标定。该方法可以有效地提升标定速度,同时还保证了标定的准确性,极大地提高了人体姿态跟踪系统的适用性。（3）不同于现有多视角骨骼数据通常使用的简单的加权平均进行融合。本论文在上述人体跟踪算法和标定方法的基础上,提出了一种面向非线性、非高斯环境的粒子滤波数据融合方法。该方法提升了数据融合的准确性,同时也保证了数据的可解释性。最后,本文在实际系统中对本文提出的方法进行了验证,对实际系统进行了长时间的、无人干预的运行测试,实验结果表明,本文的人体姿态跟踪算法具备良好的实时性、准确性、稳定性和鲁棒性,能够提供高效的运动评估。