随着人体运动捕捉（MoCap）数据采集在不同场景和应用中的需求,对MoCap数据的有效分割和分割后的动作类型的识别判断已然成为了进一步进行人体运动姿态和行为分析的关键问题,同时这在算法设计中也需要考虑鲁棒性和计算效率。本文提出了一种基于各个肢体的骨段夹角、身体结构特征和自回归移动平均（ARMA）模型拟合的无监督分割算法。将收集到的MoCap数据转换为人体肢体骨段和脊柱中心骨段形成的夹角序列。利用ARMA模型对肢体骨段夹角序列进行拟合,并通过分析ARMA模型对骨段夹角序列适合度的优劣来判断肢体骨段夹角序列的分割点。同时,采用一种均值滤波算法将不同肢体运动序列的分割结果进行融合。将该算法与主成分分析（PCA）、聚类算法（K-means）和反向传播（BP）神经网络分割算法进行了比较,并证明了通过骨段夹角特征对人体运动的语义描述,具有更高的分割准确率。在动作识别部分,本文基于人体骨架的特征序列提出了一种基于BP神经网络和基于关键帧注意力的长短期记忆神经网络（KF-LSTM）的静止和运动姿态识别模型。首先通过人体关节点合加速度的平均标准差判定人体动作的静止和运动姿态类型。而后结合BP神经网络的特点对静止姿态进行识别分析,同时通过本文提出的KF-LSTM模型对人体运动姿态进行识别判定。KF-LSTM模型结合了关键帧注意力机制,为网络模型提供了运动序列中更加准确的姿态特征信息,同时和普通的LSTM网络模型识别结果进行了识别准确率比较,证明了本文算法的创新性和可行性。论文建立了完整的研究流程对人体运动分割模型与姿态识别算法研究,为人体运动序列的分割和人体姿态的识别提供了新的思路和方法。研究结果突出了本文提出的分割和识别算法的效率和性能,并揭示了本文的分割模型和动作识别模型在分析运动间和运动内序列的分割和识别两方面的潜力。