在计算机视觉与模式识别领域,利用计算机技术来自动分析人体行为已成为研究热点。在未来的智能监控和人机交互中,为了感知人的行为意图,机器将主要利用视觉系统采集的实时视频序列,检测与提取其中的人体区域,对运动人体进行实时跟踪,之后就是对人体行为进行分类或理解。本文从理论和实际应用角度出发,对人体行为检测进行深入研究,研究内容包括：人体连续行为序列分割和识别,人体检测、人体行为特征描述,以及人类室内日常生活行为的自动检测。本文采用Kinect传感器作为数据采集设备,此设备不仅能获得RGB图像,还能提供场景深度图和骨架信息,这为行为检测提供了很大的方便。本文选用简单高效的人体特征,并利用3-D骨架关节点坐标信息提取多个特征进行融合,结合SVM和HMM两个机器学习方法的特点,建立了一个适用于人类室内日常生活行为检测的SVM&HMM模型。实验结果表明,该模型具有可行性和有效性。在上述研究基础上,本文提出了一种基于本征维数与置信度二次判断的无监督行为序列分割算法。该方法通过对行为序列进行奇异值分解来确定数据对应的低维流形,通过检测特征数据在该流形上投影误差的突变来找到分割帧,之后进行基于置信度的二次判断,找到最优分割帧,实现行为序列的无监督分割。之后,采用随机森林分类模型对分割结果进行识别。实验结果表明采用本文提出的分割算法可以明确分割出代表不同模式的行为片段,随机森林分类模型也具有良好的分类识别效果。