人体动作识别作为计算机视觉研究领域中最具挑战的研究方向,是当前的研究热点,基于Kinect骨骼数据的人体动作识别带来了一种全新的人机交互方式,在智能监控、虚拟现实、人机智能交互等方面均具有广泛的应用前景。如何高效地利用计算机实现人体动作识别成为一个值得研究的课题。人体动作识别方法最为关键的两步为特征提取与分类器构造。传统的基于Kinect骨骼数据的人体动作识别方法大多数基于三维空间中的动作数据,较少考虑到动作的三个视图在动作识别中起到的作用,考虑到动作内在的层次性问题以及动作的时间序列关系,本文提出了将动作主视图与长短时记忆网络相结合的方法以及将动作的三视图与分层框架相结合的方法。在第三章中,本文将动作的主视图与长短时记忆模型相结合从而实现对动作的分类。针对传统的人工选取数据特征不充分的问题,将数据输入到长短时记忆网络模型中,调整各参数,在公共数据集上的识别结果表明方法具有较好的识别性能。在第四章中提出了将动作三视图与分层框架相结合,在第一层提取人体五部分重心点随时间变化量的均值、方差、全距、偏度等特征,利用支持向量机分别在动作的三个视图下进行测试,再利用投票机制确定第一层的类别,在第二层中,分别在局部坐标系和全局坐标系中对人体五部分末端点提取相对位置、速度等特征,采用隐马尔可夫模型对每一大类进行细分,对公共数据集MSRAction3D分别做了用户独立和用户依赖实验验证文中方法。实验算法在公共数据集和自采集数据集上均有较好的识别结果。