基于视觉的人体运动捕获在动画、影视、游戏等领域有着广泛的应用前景，是计算机视觉研究领域的热点和难点。其中，基于多摄像机非标记人体运动捕获系统涉及摄像机标定、图像分割、三维重建、运动初始化以及运动跟踪等关键技术，成为国内外众多学者的研究重点。在非标记的运动捕获研究中，基于模型的方法存在需要事先建立人体模型、初始化种类单一且跟踪算法复杂的问题；基于学习的方法存在需要事先建立样本训练库，实现起来复杂，从训练库中匹配得到人体数据准确性不高的问题。因此，本文针对这些问题提出了一种无约束模型的运动捕获方法，以降低系统复杂性和提高运行速度，归纳总结如下：首先，针对基于模型的初始化方法中存在的初始化种类单一，且通过匹配模型来得到各个关节点位置的问题，提出了一种无约束的自动初始化方法。这种方法首先对初始运动数据进行细化操作，提取初始化状态的特征向量，然后结合这些向量来估算人体各个关节点的空间坐标。本方法结合主向量信息恢复三维姿态，降低姿态约束限制，提高初始化速度。其次，针对人体关节点自由度高，存在遮挡与自遮挡现象，本文结合重建数据中的冗余数据，将常规的捕获系统中关节点的跟踪问题转化为方向跟踪问题，提出了一种基于主方向运动跟踪算法，利用人体数据时域和空域的连续性，采用邻域搜索、模板迭代以及最短欧氏距离判断准则对各个肢干体数据进行标记，然后通过PCA方法提取骨骼主向量，最后由头部点开始，结合各个肢干主方向信息计算出各空间点的坐标。本方法将运动跟踪问题细分为各个身体部位的局部跟踪问题，实现简单快速，较准确的跟踪运动数据，且计算复杂度也得到了降低。最后，本文就非标记动作捕获系统中运动初始化和运动跟踪方面提出了自己的算法设计方案，验证上述算法工作，对国外学者设计的算法恢复的数据进行对比误差分析。实验结果表明，本文的算法具有较高的鲁棒性，且复杂度较低，具有一定的理论价值和实际应用价值。