计算机视觉领域中,人体动作识别是一个重要的研究方向。早在20世纪60年代就有心理学家研究人体行为动作,并确立了通过运动轨迹识别人体动作的理论基础。多年以来,传统的人体动作识别技术在识别效率、成本、环境约束等一个或多个方面的缺陷使得这项技术的应用相对受限,复杂的动作间间隔、时空差异性问题更是导致连续动作识别任务异常困难。随着Kinect等低成本深度相机的出现,近年来越来越多的研究者意识到,深度图像以及骨架信息能够改变动作识别领域这些尴尬的应用现状。然而,目前许多这方面的研究都是基于已分割好或是手动标记的动作序列,对于无标记的连续动作序列识别的研究仍旧较少。本文为研究正确率更高的连续动作识别算法,从动作识别算法以及连续动作分割两个方向出发,分别研究了基于深度与关节数据的特征分类方法以及基于滑动窗的分割算法,以达到最终连续动作识别的目的。其中研究的主要工作贡献如下:1)研究了一种基于深度特征以及骨骼关节点特征联合信息的人体动作识别算法。为了平衡连续动作的识别准确率与算法复杂度,采用了一种基于混联结构的识别算法。该算法先将两种基于低复杂度特征的弱多分类器并联,然后将并联结构与一个强二分类器串联,最后构成一个具有较低复杂度的强多分类器,实现高准确率、较低复杂度的动作识别。单个动作识别的实验中显示该算法相比单独的弱分类器识别准确率明显提升。2)混联结构中,强二分类器对连续动作识别的准确率具有非常大的影响,因此基于条件概率准则研究了一种数据挖掘算法,通过筛选对识别任务无益的关节点,将所有使得两种判别的条件概率近似的关节点剔除,最终达到提升识别正确率、降低模型复杂度的目的。3)研究并验证了一种基于支持向量机(SVM)分类置信度的动作分割识别方案。结合多分类器投票策略与二分类SVM中函数间隔能够预测分类正确度的原理,设计了一种SVM多分类器的分类置信度计算方法。在此基础上,使用滑动窗寻找峰值并最终获得动作起始点以及识别的动作类别。最后在实验部分,基于MSR Action 3D通用动作数据集对算法进行了测试与分析,验证了算法的正确性和有效性。