近十年来,人们的生活越来好,对体育竞赛的关注度也是与日俱增。在当前信息时代中,体育竞赛和运动员的数据十分重要,尤其是篮球,足球,排球等的团队型的大球类运动。教练可以透过这些数据,很好地分析自己队员和对方队员的情况,从而更好地指定相应的战术来获取胜利。然而,目前大部分数据结果都是需要通过人工的方式,进行现场或者赛后看回播进行数据记录和统计。各种体育运动都是由各种动作组成的,而动作则是由连续的人体姿态序列所构成的。据此,本文结合基于机器视觉中的姿态估计和动作识别方法,针对篮球运动,尝试构建一个系统,替代人去记录和统计上述繁琐的却十分重要的数据。本系统将视频序列中每个篮球运动员的关节点,使用姿态估计方法将其提取并构成定长的姿态序列。得到定长后的姿态序列信息后,将其送入基于图卷积的动作识别方法中,获得动作分类。最后使用系统对每个球员每一帧的动作进行记录,并按照篮球中的意义进行统计。本文主要工作如下:1.本论文针对篮球运动动作提出了的篮球姿态动作识别分析系统,分别由两部分串行组成,其中第一部分是基于自底向上的姿态估计方法进行关节点定位,用于提取视频种的目标的姿态序列;而第二部分是基于时空图卷积的动作识别算法分析与研究,根据提取的姿态序列,对设定分类的篮球动作进行识别。2.本文通过对系统的两部分设置相应的参数对比实验,折中地为系统选出识别率较好的参数。最后将两部分结合起来,使用python中的Pyqt5和OpenCV建立前端人机界面对网络输出结果进行统计与显示,最终形成一个篮球运动姿态统计分析系统,并使用新的篮球视频验证其有效性。3.本文根据系统需求,使用OpenCV制作篮球视频动作和相应的篮球图片的采集及标定工具,建立了相关的篮球比赛的动作分类视频数据集与人体姿态数据集,将其合理分割获得相应的训练集和测试集,用于系统的构建及测试。4.在第一部分实验中发现,对标准的篮球比赛使用经典的姿态估计模型Openpose进行姿态估计,会由于运动模糊影响姿态识别效果。对此,本文根据动作模糊原理,创新地提出新的数据增强方法来增加模型训练的数据,并结合迁移学习,通过训练获得新的模型,改善数据中由于动作模糊而产生的识别错误,最后通过实验证明方法有一定的提高。