随着多媒体技术的飞速发展以及人体运动捕获设备的广泛使用,逐渐积累了大量富有真实感的三维人体运动捕获数据,并有效地应用于三维动画、电影制作和游戏等产业中。然而面对大量的运动捕获数据,如何进行有效的管理和重用成为了开发人员所要面对的新问题。因此,设计能够对运动数据库进行高效、精确地查询和浏览的算法是该领域的主要研究目标。本文首先介绍了人体骨架结构及其数学表示,针对其数学表示对运动捕获数据文件ASF/AMC解析,研究并实现已有的运动捕获数据检索方法,并提出了一种新的运动检索方法。本文主要研究并实现了以下三种检索方法：1、基于例子的逻辑相似运动检索,算法建立人体层次模型,使用K均值聚类算法在各个人体分层上得到类字符串表示,进而使用快速字符串匹配算法实现检索；2、基于低维子空间分解的运动检索,算法将运动的每一帧转化为自相似矩阵,进而产生运动序列集,对运动序列集分解后,使用动态时间弯曲算法(Dynamic Time Warping,DTW)计算相似度；3、基于自适应特征选择的3D人体运动检索方法,算法通过建立所有样本的特征向量与特征子集的线性回归模型,自动获取当前查询样本的特征向量的子集,比较特征子集的相似性以实现检索。最后,在分析现有运动检索方法优缺点的基础上,将度量学习引入运动检索中,提出了基于极大间隔最近邻学习的运动检索方法,利用极大间隔最近邻度量学习算法,有效地改进了运动检索性能。