运动捕捉是检测记录运动目标的动作或表情，将其转化为数字化的“抽象运动”的技术。运动捕捉结果表达为不同时刻目标所处的姿态，可用于新一代人机自然交互、动画制作、游戏制作、运动分析、虚拟现实等诸多应用领域。由于非接触式人体运动捕捉具有非强迫、成本低、智能化等优点，如何不依赖于特殊设备或标志，克服噪声、复杂背景、遮挡和自遮挡等因素的干扰，从图像序列中获取人体的姿态信息已成为运动捕捉领域的重要热点之一。本文对多目图像序列中的人体运动捕捉的相关技术进行了研究和探讨，提出了一系列新的解决方案和算法。主要内容如下： 1．在运动目标的提取中提出了一种自适应层次式混合高斯(GMM)背景模型，即HGMM。它使运动捕捉系统能够处理更多复杂场景中采集的数据，较好的解决了自适应混合高斯背景模型中存在的三个方面的问题：背景模型初始化速度慢、暂停运动或运动缓慢的目标被背景模型过快吸收、无法处理剧烈的光照变化。为了解决这些问题，本文介绍了一种小样本集上的背景模型学习算法、一种新的背景模型选取算法以及背景模型的层次式组织形式。 2．在运动目标的提取中提出了一种新的结合“自适应GMM背景模型”的马尔可夫随机场后验概率最大化(MRF-MAP)方法，即GMM-MRF。它是一种固定摄像机条件下实时、准确的运动目标自动提取方案，解决了已有MRF-MAP方法中存在的四个方面的问题：无法处理动态背景造成的“伪目标”、阴影的干扰、提取结果不符合图像中的边缘特征、算法效率太低。本文对MRF-MAP方法的贡献在于：设计了基于“自适应GMM背景模型”的能量项、设计了阴影消除能量项、设计了对比能量项以及引入了动态的切图算法。 3．在基于学习的人体运动捕捉中，提出了一种从视点基本无关的三维体素数据中学习人体姿态的方法，即LPFV(Learning Pose From Voxel)。它在一