人体部位识别能够有效的提高机器对非结构化的人体动作的分析和识别的能力，是计算机视觉领域具有挑战性的研究热点之一。深度图像仅表征物体的空间关系，不受光照变化等环境因素干扰，可有效避免身体部位自遮挡的影响，适合应用于姿态尺度复杂多变的人体部位的识别，同时在保护隐私等方面也具有普通光学图像不可替代的优点。深度图像下进行人体部位识别是近年来兴起的技术。　　基于统计特征的方法，人体部位识别问题归纳为计算机经过检测人体图像数据而获取并符号化人体部位信息，继而结合先验知识对数学符号进行训练和分类的过程。在此基础上，本文从目标检测、特征提取、部位识别及关节点提取几个方面所涉及到的关键技术进行分析，主要研究内容如下：　　1.鉴于目前没有公开的附有人体部位标记的人体姿态深度数据库及相关的构建方法，本文利用深度传感器获取图像，并采用人工标注的方法实现包含多个人体模型与多组动作姿态的样本库构建。　　2.针对传统全图像处理计算量庞大且分类器容易导致过度拟合偏差的问题，本文提出了一种基于三维空间阈值分割的人体检测方法。根据深度值的频率特征，结合直方图峰谷法与最小类间方差法，实现对初始图像数据中感兴趣的人体区域的提取。通过对自建样本库中的图像进行检测，其结果表明了该方法在人体目标检测上的良好性能。　　3.针对人工标注的部位真值标签边缘羽化造成类别信息再读取存在错误的问题，受K最近邻分类算法启发，提出了一种新的颜色匹配算法实现部位标签的正确读取，并通过偏差矫正仿真实验验证了方法的有效性。　　4.针对固定偏移长度导致人体较小部位识别率较低问题，提出了一种偏移长度自适应的深度差分特征表示方法。针对深度值和成像的大小没有呈绝对反比的问题，根据先验人体比例信息及人体在图像中的实际成像大小自动调整偏移半径，组建偏移向量，采用改进的偏移量系数计算得到图像特征的最终表示，最后运用随机森林分类实现部位识别。通过实验证明了方法的有效性。　　5.针对质心法提取部位关节点受部位识别分类结果中误分像素点影响导致人体骨架绘制扭曲的问题，引入K-Means算法实现对部分离群点的去除，从而降低各关节点的定位偏差。实验证明该方法具有良好的去除误分点干扰的能力。