传统人体动作识别算法有很多问题,例如存在人体动作采集设备易受光照强度等外界因素的影响、人体动作特征描述不清楚、人体动作特征易受物理变形影响等等问题。针对以上问题,本文分别从数据采集、特征提取和分类识别三方面研究人体动作识别算法,以消减以上问题带来的影响。故此,本文选用Kinect提取人体骨骼数据以克服光照问题,选用CNN自动提取高级人体动作特征,选用SoftMax完成多分类任务,并在此基础上开发人体动作检测系统。主要研究内容如下:（1）针对传统摄像头易受光照、遮挡等视觉问题的影响,选用Kinect采集的骨骼数据作为数据源。Kinect能够拍摄深度图像,骨骼数据来源于深度图像,因此能够克服光照的影响。Kinect可以预测遮挡部位的位置,很大程度上减弱遮挡问题对人体动作识别的影响。（2）针对手动提取的人体动作特征设计繁琐、表达能力不佳等问题,提出基于CNN的人体动作精确识别算法。首先实现适合本文的归一化方法,即先按照坐标轴方向将数据搬移至正轴,然后进行0-1归一化。其次提出6种数据编码方案,6种数据编码方案是将动作数据绘制成图像的6种猜想,并在Matlab仿真中选取最优的编码方案,即灰度图像回旋编码方案。结合实际需求,搭建适宜的CNN模型,最终在MSRC₁2数据库上取得90%以上的识别准确率,并且具备很好的泛化能力。（3）设计人体动作检测系统。使用加滑动窗口方法实现实时检测,在Matlab中仿真,得出最佳的滑动步长为13。使用Kinect实时采集人体骨骼数据,实现人体动作检测系统数据采集模块。使用Caffe搭建CNN模型,并用MSRC₁2数据训练模型,实现人体动作检测系统动作识别模块。统筹兼顾,将数据采集模块、动作检测模块结合起来,设计人体动作检测系统。最终,通过实验验证了人体动作识别系统的有效性。