人体姿态识别是计算机视觉领域中最具挑战性的研究方向,被广泛应用于人机交互、智能监控、虚拟现实、人体行为分析等领域。随着微软公司推出Kinect深度传感设备之后,基于深度图像的姿态识别技术得到了越来越多的学者关注和研究。但是,在研究中由于图像受光照、阴影外界变化以及人体姿态类别的限制、特征选择的难度、机器学习的局限性、识别算法的性能等因素的影响,人体姿态识别研究进展缓慢,姿态识别的方法成为近些年的研究热点。目前,人体姿态识别采用的方法大多是基于Kinect的骨架信息和深度图像信息,通过对图像分割实现人体前景提取,再利用HOG、HIFT或骨架关键坐标对人体姿态特征进行提取和降维,最后对模型进行训练和分类。虽然这些方法在识别精确度和准确性方面效果比较好,但是由于人体复杂度较高,通过骨骼关键点和深度图像信息提取的特征往往维度也比较高,对深度图像进行特征提取前大多还需要对图像进行一些预处理,导致特征提取难度大和识别效率不高。因此,本论文提出了一种基于卷积神经网络的人体姿态识别研究方法。主要研究内容和工作任务是:(1)概述了深度图像的成像原理和获取方法,通过Kinect拍摄不同体型的人在不同背景、光照条件下的图片,构建了包含十个姿势的训练样本以及测试样本,以保证数据库的多样性。(2)介绍了人工神经网络和卷积神经网络的相关理论。重点介绍了经典的前馈神经网络的结构及反向传播算法,以典型的卷积神经网络结构为例,详细阐述了网络结构的组成和训练方式以及卷积神经网络相关知识如激活函数、损失函数、梯度计算、softmax回归分类技术等。(3)针对卷积神经网络具有局部感知、权值共享、网络模型的复杂度低、图像可直接作为网络的输入以及对平移、比例缩放、倾斜等变形网络结构具有高度不变性等优点,本文提出了基于卷积神经网络的人体姿态识别研究,并从网络层数、滤波器个数、激活函数等方面优化网络结构,从而进行人体姿态的分类识别。