随着计算机技术与人工智能的飞速发展,利用数字化智能化手段实现非物质文化资源的保护与传承已成为重要的研究课题。拉班舞谱是一种科学的人体动作分析记录体系,在全世界范围内被广泛应用和传播。作为一种便于存储的书面记录形式,拉班舞谱在记录和保存传统舞蹈方面发挥了巨大作用。由于手工记谱繁琐复杂,运用计算机技术的舞谱自动生成方法应运而生。然而,传统舞谱生成框架下的算法依赖于预先的动作分割,无法进行全局优化;普遍采用的人体骨架特征描述存在一定的信息损失,识别模型的时空综合建模能力有待提高。在此背景下,本文在优化人体骨架特征设计和时空建模能力的基础上,对基于深度学习的“端到端”连续拉班舞谱自动生成框架进行了深入研究,提出如下舞谱自动生成方法:（1）面向舞谱自动生成的时空双流并联模型。本文提出针对运动捕捉数据的李群特征,将动作序列表示为李群上的高维轨迹,由相邻关节、骨骼间的旋转矩阵和矩阵乘法组成,充分描述骨架蕴含的旋转信息。在时空建模方面,本文设计李群卷积网络和长短时记忆网络并联融合的网络结构,利用分数融合方法融合双流特征,结合两者的空间和时间建模能力,达到比单一模型更好的性能。（2）面向连续舞谱自动生成的时空串联模型。本文提出基于连接时序分类器的连续舞谱生成框架,采用卷积神经网络和双向门控循环网络的串联模型,实现对连续人体动作的时空建模。连接时序分类器可实现整体框架的“端到端”训练,使模型对每一帧姿态输出具有判别性的细粒度描述,可灵活识别时长不一的动作,避免了繁琐的动作预分割,降低了系统复杂程度,提高了全局识别准确率。（3）面向连续舞谱自动生成的双流有向图特征与融合网络。本文提出针对运动捕捉数据的朝向归一化的时空双流有向图特征,可有效表达人体关节和骨骼间蕴含的运动学依赖关系。本文设计基于有向图神经网络的双流融合模型,采用两个有向图卷积网络分别处理双流特征,在网络末端通过融合池化模块对时空信息进行融合池化,送入连接时序分类器求解连续动作标签,实现高精度舞谱生成。（4）面向连续舞谱精细化自动生成的半监督动态帧聚类。本文在工作（3）的基础上,添加了半监督动态帧聚类模块,率先提出“先全局运动识别再标注动作时长”的精细化舞谱生成思路。本文采用基于k-均值的动态聚类算法对帧序列进行粗略聚类,再对聚类结果进行平滑池化,以识别算法得到的动作标签作为先验信息,实现对动作持续时间的精确标注。