在过去的数十年里,随着计算机软硬件的飞速发展,计算机动画技术得到了蓬勃发展。人体运动是许多视觉计算相关任务或应用的关键,例如,运动捕获数据已经可以实现大规模地应用到电影制作、视频游戏开发等领域当中。目前,运动捕获技术已经成为三维人体动画制作技术的主流。有了运动捕获数据存储库,通常需要从存储库中检索相关的运动捕获数据,例如,可以检索运动捕获数据片段并将其重新用于动画制作。然而,随着运动捕获数据的普遍使用,运动捕获数据的数据量不断增长,使得从海量数据中进行检索成为一个巨大的挑战,通常很难快速准确地检索到满足动画师特定要求的运动数据。人体运动捕获数据在空间和时间域都具有很高的复杂性。由于运动的持续时间、速度或初始身体姿势可能会有所不同,因此逻辑上相似的运动不一定在数值上相似,反之亦然。因此,运动捕获数据的检索成为近年来研究的热点。本文以高效快速的检索到MoCap数据为目的,提出了基于深度哈希的运动捕获数据检索方法、基于BERT的运动捕获数据检索方法以及跨MoCap数据与Kinect捕获数据两种模态的运动捕获数据检索方法,并设计和实现了运动捕获数据检索系统,使得检索结果可视化。本文的创新点主要体现在以下三个方面:（1）提出了基于深度哈希的人体运动捕获（MoCap）数据检索方法:本文将原始的MoCap数据表示为三个2D图像,分别对关节的轨迹信息、速度信息和自相似性矩阵进行编码。这种基于图像的表示被输入一个卷积神经网络,该网络是从预先训练的VGG16网络改变而来的。此外,本文还添加了一个哈希层来微调CNN并生成哈希编码。通过最小化分类错误和哈希码的约束所定义的损失,可以生成运动数据的高辨别力的哈希表示。在公共数据集HDM05上的实验表明,与最先进的MoCap数据检索算法相比,本文的算法实现了较高的精度。此外,由于哈希码的快速匹配,实现了高效率检索。（2）提出了基于BERT的人体运动捕获数据检索方法:BERT网络（Bidirectional Encoder Representation from Transformer）一般用于自然语言处理问题,但是由于BERT网络在训练过程中可以注意到各个时序信息之间的关联,同时运动捕获数据各个时序信息之间关系密切,于是本文将BERT网络应用于运动捕获数据的检索。与基于深度哈希的运动捕获数据检索方法相比,本方法不需要将运动数据处理成三种信息表示,而是直接将运动片段送入加入了哈希层的BERT网络进行预训练,然后提取哈希层的特征对运动数据进行k-NN检索。在MoCap数据集HDM05以及Kinect捕获数据集NTU-RGB+D上的实验数据表明,本文的算法都实现了较高的精度以及高效的检索。（3）提出了基于逻辑回归的跨模态检索方法:由于MoCap的动作捕获设备昂贵并且需要演员穿戴设备,使得获取动作非常困难。但是利用Kinect捕获数据却方便简单。因此,本文中提出了一种利用Kinect捕获数据检索MoCap数据的跨模态检索方法。在MoCap数据集HDM05以及Kinect捕获的数据集NTU-RGB+D上的实验数据表明,用基于逻辑回归的跨模态检索方法通过Kinect捕获数据来检索MoCap数据同样实现了较高的检索精度与效率。以高效检索运动捕获数据为目的,本文基于上述提出的运动捕获数据检索方法设计并搭建了可视化系统,用户可以利用查询样例直接检索数据库中的数据,并且将查询到的数据可视化,使得用户可以高效准确的查询所需要的样本。本研究与应用旨在高效检索运动捕获数据,有效的提高了动画制作的效率。