人体检测与运动分析一直是计算机视觉领域的研究热点,在患者康复训练、视频监控、人机交互等方面都有着广泛应用。但是由于实际应用的场景十分复杂,使得人体检测与运动分析的研究工作还面临以下挑战:首先是检测网络中存在的不平衡问题影响了复杂场景下的人体检测精度;其次是人体形变、边缘模糊、与背景辨识度低等问题制约了人体检测的性能;最后是背景复杂与运动过快等因素导致动作的分析识别效果不理想。针对以上问题,本文提出了相应的改进算法,主要工作如下:（1）为了解决网络中影响检测精度的不平衡问题,本文提出了一个优化多种不平衡问题的目标检测网络。该网络针对特征提取阶段存在的特征分布不平衡问题,提出了多尺度特征平衡模块;针对回归阶段存在的回归损失不平衡问题,提出了分段平衡回归损失函数;针对分类阶段存在的前景-背景分类不平衡问题,提出了自适应分类损失函数。实验证明本文所提算法在MS COCO数据集上的检测精度为37.4%,相比于RetinaNet、Faster R-CNN分别提升了 1.8%和 1.2%。（2）为了进一步提升复杂场景下的人体检测精度,本文在工作（1）的基础上提出了一个基于多特征融合的人体检测网络。该网络首先将工作（1）提取到的深度特征、HOG算法提取的梯度特征和Canny算子提取的边缘特征进行融合来解决人体形变和边缘模糊问题,之后提出全局特征获取模块解决人体与背景辨识度低的问题。实验证明本文所提算法通过解决上述复杂场景问题,在VOC数据集上的人体检测精度为86.8%,相比RetinaNet、Faster R-CNN分别提升2.0%和6.1%。（3）为了在复杂场景下实现更理想的动作识别效果,本文提出了一个基于检测先验和注意力机制的双流动作识别网络。首先在工作（2）的基础上,在空间流卷积网络中提出了基于检测先验的识别策略,以解决视频中背景比较复杂的问题;之后在时间流卷积网络中引入注意力机制,以解决运动过快导致的特征模糊问题。实验证明本文所提算法在UCF101和HMDB51数据集上的识别准确率相比于 two-stream ConvNet 分别提升了 1.78%和5.36%。