在计算机视觉领域中,视频人体动作识别技术的研究是相当重要的,具有极大的挑战性。深度图像技术的发展,特别是能获取深度信息的Kinect深度摄像头的出现,为人体动作识别提供了新的解决思路和方案。研究人员可以快速准确地从深度图像获取骨架关节的三维位置,还原人体的三维骨架模型。本文基于人体骨架模型,提出了两种基于人体三维骨架特征的动作识别算法。两种方法分别基于特殊正交群以及特殊欧氏群,创新性地提取了时空维度上的不同人体部位特征,进行了相应特征优化和特征融合,利用不同的分类方法成功实现了三个数据库上人体动作的精确识别。论文具体工作和创新点如下:（1）本文提出了基于特殊欧氏群的前向特征融合动作识别算法。该算法利用特殊欧氏群中的矩阵来表示人体三维骨架任意一对身体部位的相对位置关系,提取相对几何速度（RGV）特征。然后,该算法利用前向特征融合的方法,形成最终的运动骨架时空描述子（STMSD）。经过特征优化之后,该算法把样本数据送入SVM模型进行分类。（2）本文提出了基于特殊正交群的后期特征融合动作识别算法。该算法利用特殊正交群中的矩阵来表示人体三维骨架任意一对身体部位的相对旋转关系,提取相对旋转速度（RRV）特征。经过特征优化之后,该算法将RRV和相对关节位置（RJP）、关节角（JA）进行后期特征融合,即针对三种特征分别训练三个SVM,加权结合三个模型的预测结果得到最终分类结果。（3）本文在特征优化流程的设计上也做出了一定的贡献。特征优化流程主要包含三个过程,分别是特征处理,时间建模和降维。特征处理通过插值和归一化的处理,可以得到具有相同时间长度的数据样本,规范化数据。时间建模利用动态时间规整（DTW）或者傅里叶时间金字塔（FTP）进行处理。动态时间规整对动作序列进行配准,减少数据噪音。傅里叶时间金字塔移除高频傅里叶系数,更好描述动作时间结构。最后,降维通过主成分分析（PCA）,实现精确度和效率的平衡。