人体行为识别具有巨大的理论研究价值和实际应用前景，是近年来计算机视觉和生物特征识别领域备受关注的研究方向之一。头部动作识别作为人体行为识别的一个重要内容，在智能监控、高级人机交互、运动分析及虚拟现实等方面都有着广泛的应用。　　 头部动作识别主要是指针对包含头部动作的视频分析处理，运用图像处理、模式识别等方面的知识，得到人体头部的具体状态，从而判断出其是处于静止、点头还是摇头的状态。本文首先分别提出了图像质心、眼睛定位和累积差异图像三种头态识别方法，得到头态的初步识别结果，然后采用Kittler融合分类器理论，构造了头态融合识别分类器，进一步提高头部动作的识别率。　　 基于图像质心的识别方法将要处理的头部运动视频转换为一系列的图像，通过颜色建模实现皮肤区域的检测，找出各图像的质心，进行图像质心坐标追踪，得到不同头态质心位置变化量的曲线，从而识别出不同的头部动作。基于眼睛定位的识别方法，采用Adaboost算法快速检测人脸，利用积分投影的方法定位眼睛，分析处理眼睛的位置变化，得到头部状态，达到识别目的。基于累积差异图像的识别方法，通过建立累积图像的方法来检测运动对象的速度与方向，从而识别出三种头部动作。　　 在对融合分类器进行综合分析的基础上，本文将Kittler经典融合分类器理论首次运用到头态识别上，把三个不同的分类器按照相应的规则融合，从而提高了头部状态的识别效果。　　 通过本文自行拍摄的数据库，每种单独的分类器性能都在70％以上，并且融合后的效果都有不同程度的提升，表明本文提出的方法确实可行，可应用到实际。