随着计算机技术的发展和应用,人工智能技术已被广泛地应用到体育运动的训练中。跳绳作为一项全身运动,在日常生活中发挥着越来越重要的作用,已被纳入到中招考试的项目中。当前,在跳绳教学中,专业的体育老师匮乏,导致学生训练效率低下;跳绳监测设备笨重且昂贵,人工统计的成本和精力太大。如何自动并快速地分析出跳绳运动过程中的动作是否符合规范,并给出正确的指导和训练计划成为了提高跳绳考试成绩的关键。现有的基于视觉的人体运动行为识别与分析算法复杂度高、鲁棒性差、计算负担过重,无法实时。此外,由于缺乏专业的人体运动动作分析人员,人体动作分析和运动质量评估方面的研究还需要进一步探索。因此在人体运动过程中,实现一种鲁棒性高,时间开销稳定的动作分析方法,对于运动过程中的动作分析和动作质量评估具有重要的意义。本文针对跳绳过程中的运动分析问题,首先,通过2D姿态估计算法获取跳绳过程中的关键点坐标,并对坐标进行预处理获取健壮性数据序列,其次将跳绳过程中的运动分析问题转化为多标签分类问题,并提出了一种新的多标签分类模型ALSTM-LSTM,最后,设计并开发了基于手机端的跳绳过程中的运动分析系统。主要研究内容如下:(1)提出了一种深度学习框架用来获取运动员在跳绳过程中的关键点坐标。该框架基于Open Pose方法,在图像特征图提取方面,为了减少模型的参数,提高识别的效率,使用轻量级网络模型Mobile Net V2替代VGG19;在网络优化方面,为了进一步提高Open Pose模型的精度和泛化能力,在损失函数中引入了权重和惩罚项,并在MPII数据集上验证了模型的有效性。最后通过不同的手机获取运动员一分钟跳绳过程的视频流数据,并通过改进的Open Pose方法获取人体的关键点坐标,并对获取的坐标进行预处理,即,以脖子、左臀部、右臀部三个关键点坐标的重心为原点建立直角坐标系,并更新全部坐标最终得到人体关键点序列。(2)根据获取的关键点坐标序列,本文将跳绳过程中的六种肢体动作标准与否问题转化为多标签分类问题;并根据多标签学习方法中的算法适应性方法提出了一种多标签分类模型ALSTM-LSTM。实验结果获得了95.1%的准确性,高于其他深度学习模型,并且在精度、召回率、和F1-score这些评价指标上也达到了最优。(3)利用构建的网络模型设计并开发了安卓端的智慧跳绳教学系统。该系统主要分析能够帮助跳绳运动员快速地了解自己在跳绳过程中存在的问题,从而帮助跳绳运动员改正跳绳过程中的错误动作,提高学生的跳绳成绩。