从视频序列中识别人体动作是计算机视觉领域极具挑战的研究任务,这主要包括两个方面的原因。一方面是人体动作固有的复杂性,例如个体动作本身的不确定性与差异性使得这个方面的研究面临着巨大的挑战;另一方面是人体动作识别的结果容易受到环境的影响,例如衣着,背景颜色,镜头的移动等。近年来,人们开展了大量的动作识别研究,取得了著有成效的研究成果。然而,由于人体动作的特殊性与复杂性,其成果应用具有一定的局限性。随着脑神经科学研究的不断深入,对视觉皮层信息加工机制的理解不断完善,脑启发式人体动作识别的研究成为热点。目前,所建立的脑启发式人体动作识别系统大部分是侧重于模拟初级视皮层(V1)、中颞区(MT)的前向结构属性而实现的,忽略了V1、MT区神经元的某些重要特性,其系统实现不仅缺乏生物的合理性,而且识别性能不理想。本文结合视觉神经科学的最新研究成果,开展了模拟V1与MT区域的脉冲神经网络信息加工机制进行视频时空信息处理,人体动作时空特征提取与识别研究,取得了相应的研究成果。首先,建立了模拟视觉皮层(V1和MT)信息加工机制的时空信息检测与动作识别计算模型。该模型模拟视觉背侧通路中,致力于运动信息分析与处理V1与MT层脉冲神经网络的信息处理机制,实现了视频时空信息的有效获取。其次,提出了符合生物学数据的V1与MT神经元连接映射计算方法,给出了V1和MT区域中神经元中心环绕抑制的计算方法,从而满足了神经元速度与方向选择性的信息处理方法,实现了完整且有效的运动信息提取。此外,将模拟视觉注意机制的中心定位操作整合在系统中,从而使获取的视频对象时空信息更有效,保证视频对象尺度不变的特性,提高了人体动作识别性能。最后,结合脉冲神经元模型,给出了基于平均发放率的脉冲神经元脉冲链的分析方法,并利用脉冲神经元在局部时间上的平均发放率,构建了神经元发放的平均运动图,实现了人体动作特征的有效提取。该系统采用支持向量机作为分类器,对公开的人体动作数据库Weizmann与KTH进行了系统性能的测试,获得了大量的实验数据。实验结果显示:本文提出的方法能有效地实现视频对象检测和人体动作识别,其性能普遍高于现有的生物启发式人体动作识别性能,且与非生物方法具有一定的可比性。同时,实验结果表明基于V1和MT区域的计算模型所获性能优于仅仅使用V1区域计算模型的性能,具有生物合理性。