由于机器视觉不断发展,人体骨架识别算法日趋成熟,应用到实际生活的条件已经初步具备。本文主要关注运动医学领域,面对复杂的现实环境,直接将人体骨架识别算法运用到实际场景是不合理的。因此需要对骨架识别算法流程加以改进,满足现实场景需要。聚焦神经性肌肉疾病这种发病率高、危害性大的疾病,“早发现、早治疗”对延长患者生命周期,提高生活质量是十分重要的。因此本文将改进后的自上而下的骨架识别算法用于疾病的早期筛查,提出了一种基于骨架识别的辅助诊断算法方案。具体研究内容如下:（1）改进了自上而下的骨架识别算法。研究多种基于机器视觉的骨架识别技术,针对目前的骨架识别算法在实际应用中的不足之处,在目标检测和骨架关键点检测之间加入了行人重识别算法。行人重识别技术检测出来的人体与目标人体的相似度,选择相似度高的行人作为目标,实现特定目标的追踪。关键点检测算法只作用于目标,排除其他行人的干扰,适应复杂的环境变化,增强了关键点检测算法健壮性。在公开数据集上和自建数据集上PCKh指标均达到了90%。（2）提出一种自建数据集的数据增强方案。对于辅助诊断数据集有限的情况,基于图像处理技术以及VIBE扩充数据集。通过图像翻转、旋转等简单操作实现数据集的扩充,利用VIBE生成3D人体运动视频,调整不同拍摄角度,获得更多的数据。扩充后的数据集满足了模型训练所需数据量,又增强了模型的鲁棒性。（3）提出一种特征融合方法。针对目前视频分类算法只对原始视频进行全局特征提取的缺陷,将骨架关键点特征融入到原始图像信息中,使算法聚焦人体骨架的信息。借鉴热图的思想,在原始视频帧图像的基础上,利用高斯函数把骨架关键点信息表示在图像上形成一张新的特征图,使得模型更加关注骨架关键点信息。通过实验证明特征融合方法的有效性,在不同模型上有不同程度提高。（4）提出了一种基于人体骨架识别的辅助诊断解决方案。解决方案主要分为骨架识别和辅助诊断两个模块,基本满足了对神经性肌肉疾病患者进行早期筛选的需求。在自建数据集上准确率、精准率、召回率、F1分数都达到了80%,尤其是在上下楼梯动作视频的辅助诊断准确率达到了87%。