人体动作识别在视频信息检索、公共视频监控、人机交互、科学认知等方面有着重要的应用价值,是计算机视觉、模式识别和机器学习等众多学科的交叉研究领域。在机器学习领域中,通常的建模方法建立的模型有生成式模型和判别式模型。对于以时间序列数据表示的人体动作,本文的研究聚焦于可解释性较好的生成式模型中用于处理时间序列的隐马尔科夫模型。由于人体动作识别的性能依赖于动作的表示方式,针对传统隐马尔科夫模型简单地以离散分布或者单高斯分布作为动作的表示形式,本文利用高斯混合分布作为人体动作数据的统计分布,以此对人体动作进行更精确地描述。针对大多数传统参数模型在根据数据寻求合适的模型结构上存在一定不足,本文提出了遗传非参数最小长度描述准则-鲍姆韦尔奇（Minimum Description Length-Baum Welch,MDL-BW）方法来优化基于高斯混合分布的隐马尔科夫模型结构。隐马尔科夫模型的结构优化包括模型参数个数的优化和参数值的优化。针对传统的用于训练隐马尔科夫模型的鲍姆韦尔奇算法在寻求最优解时容易陷入局部极值以及无法优化隐马尔科夫模型参数个数的问题,该方法通过结合遗传（Genetic Algorithm,GA）算法随机搜索的特点和自适应思想来扩大隐马尔科夫模型参数值解的搜索空间,结合非参数思想以自动寻求隐马尔科夫模型的合适参数个数,同时以最小描述长度MDL作为模型优化准则来寻求隐马尔科夫模型在全局上的最优结构。人体动作数据仿真结果表明高斯混合分布能更好地拟合人体动作数据所服从的复杂概率分布。仿真数据、语音数据以及人体动作数据的仿真结果表明遗传非参数MDL-BW方法相较BW方法等同类方法在隐马尔科夫模型结构的寻求上具有更好的效果,进一步提高了基于高斯混合分布隐马尔科夫模型的人体动作识别准确率。