近年来,随着计算机视觉技术和深度相机的快速发展,基于人体姿势等视觉信息的可靠分割并进行人体姿势识别的研究越来越深入。人体姿态识别使得机器人可以通过结合环境、目的判断识别人体的运动特征,学习人类动作,从而具备获得对人类复杂行为的学习能力,甚至可以在动态环境下和人类进行交互,是智能机器人研究领域的热点之一。从运动学习的角度来看,动作识别过程可以被看作是对连续的人类行为的一种理解,而连续的人类行为又由一系列的动作组成,如挥手,捡起,放下等等。关键问题是如何识别给定域中的动作是什么,如何对它们进行编码,以及如何在捕获的运动数据中识别它们。本文分析了关于运动学习的主要研究方法和研究状况。在此基础上,基于高斯混合隐马尔可夫模型(GMM-HMM),围绕仿人机器人对人体运动的学习方法进行了研究。首先,对Kinect提取的人体骨骼关节模型进行预处理,将骨骼关节三维坐标序列用空间向量法转换为关节角度特征序列,用四元数表示为骨骼姿势特征序列,同时对数据序列进行归一化。其次,在权威数据库MSR Action3D上进行GMM-HMM的分组训练和测试,以确定模型最优参数;为了提高模型稳定性,在数据集的分组上,每一组训练集和测试集的动作执行者都和其他分组不相同,采用了区别于常规的折半交叉分组方式;此外,对比分析了坐标数据序列和关节角度特征序列的识别效果。最后,建立了四元数表示的骨骼姿势模型,并证明了其优于原始坐标数据和关节角度特征序列的识别效果;之后运用骨骼姿势模型结合Kinect实时识别人体动作,并结合所获取数据中置信度的值提出了一种改进型的限幅滤波算法。实验验证了所用方法的稳定性和实时性。