目前关于人体动作的研究主要关注于单一的动作识别或动作预测,无法同时识别并预测人类的动作。在人体动作识别方面,在三维骨架的特征提取上没有充分考虑骨架之间的时空关系,导致识别准确率受到限制。在人体动作预测方面,现有的研究没有考虑人体关节运动幅度的差异性,导致预测的结果不够稳定。协作机器人正在出现在各种复杂的制造环境中,使制造业朝着高效智能方向发展,人机协作的重要性不断提升。将人体动作识别与预测方法应用在人机协作中可以保障操作员安全并且提高生产效率。本文深入研究人体动作识别与预测的相关问题,提出适用于人机协作场景的人体动作识别与预测方法。主要研究工作如下:（1）基于三维骨架的人体动作识别研究。使用关节识别算法人体网格重建从RGB视频中逐帧获取人体关节点信息,建立人体三维骨架模型。分析人体运动特性,提出基于滑动窗口策略的人体骨架动态特征描述方法,实现动作类内差异最小化和类间差异最大化,从而提高人体动作分类的准确性。利用随机森林筛选主要特征以降低数据的冗余度,减小计算复杂度。在此基础上,引入混合多层感知机模型进行人体动作分类识别,为协同工作空间下的人机协作提供有益信息。（2）基于深度学习的人体动作预测研究。针对时间序列信息预测问题及人体部位的运动差异性,提出一种改进型的卷积和长短期记忆神经网络相结合的人体骨架运动预测方法。长短期记忆网络注重提取骨架序列时序特征而无法充分提取空间特征,引入卷积神经网络可以弥补骨架的空间结构信息提取。此外,针对人体由内向外的关节点运动幅度的层次性,设计的分层网络模型从局部到整体进行人体骨架的运动预测,提高预测准确率。为了解决关节识别算法固有的误差以及人体运动突变导致的数据波动问题,采用Savitzky-Golay滤波算法对原始数据进行预处理。在此基础上,预测的骨架序列通过人体动作识别算法转换为具体动作,为机器人预先规划以协助操作员提供可靠的依据。（3）人机协作场景中的人体动作识别与预测。利用视觉传感器、机器人、计算机等硬件设备,设计并开发人体动作识别与预测原型系统。视觉传感器用于采集视频数据,计算机主要用于运行所提出的算法,机器人系统用于控制机器人的规划和操作。通过实验验证,提出的算法在人机协作场景中可以实现效果良好的人体动作识别与预测。