随着计算机处理能力和存储能力提高，视频数据的采集和存储越来越容易，视频也广泛的应用到了人们生活的各个方面，通过网络分享各种视频使得网络上的视频数据量急剧增加，监控视频作为安全控制手段在银行、医院等场所到处普及，人机接口和和虚拟现实等到越来越多的重视和应用。视频中人体动作识别是解决这些问题的基础，也一直是一个非常活跃的领域。由于人体动作固有的动作复杂、种类多等因素，从视频中进行人体动作检测一直面临许多问题。基于特征、动态特征的各种方法得到了深入研究和尝试，但是由于视频在时间域上的丰富信息，仍然受到一定的局限性，随着时空特征的提出，一些从整体动态系统的角度研究人体动作识别的方法得到提出，时空特征可以较好的描述人体动作随时间在空间域和时间域的变化，逐渐成人体动作识别特征的研究热点，但是时空特征也存在信息量比较大的问题，另外人体动作类别较多，把所有的动作类别分别进行统计和标识是不太可能的。　　本文针对人体动作中周期性、自相似性等特点，将时间序列中的分析方法应用到分析人体动作序列，用时间序列的趋势、自相似性、周期性等表示提出了一种表示周期运动的特征，然后根据这些特征对动作进行分类判断，在分类中采用带有拒绝的k近邻分类，将不在已知训练样本中的动作类别识别为“未知”动作，当类别为“未知”的动作数量达到一定数目时，通过聚类分析将不同的“未知”动作分成不同的类，再通过人工方式对这些类进行标识，作为以后的训练样本，扩大动作类别数据集。　　实验表明本文提出的特征能有效的描述人体动作并且区分不同的动作，提高了人体动作识别的正确率，通过识别数据集中不存在的动作类别，对这些动作进行聚类分析和人工标识，建立半自动化的数据集扩展系统，也提高了系统对不在已知类别集合中查询数据的鲁棒性。