人体行为识别指对人体运动的模式进行分析和识别，是计算机视觉领域被广泛关注的研究热点。人体行为识别是人体运动分析的重要组成部分，属于高级视觉分析。它在智能监控、高级人机交互、视频会议、医疗诊断及基于内容的图像存储与检索等方面具有广泛的应用前景和潜在的经济价值。 在人体行为识别中，为了描述人体运动的模式，采用运动历史图像的方法进行运动的表示。本文中的运动历史图像是从人体行为图像序列中提取出来的，是一种时空模型，既能表明行为发生的区域，又能表示行为是如何发生的，其中每个像素值都是运动历史的函数。 基于Hu矩描述的信息冗余性，本文提出了基于Zernike矩的人体行为识别方法。利用图像的重建过程来确定分类时用到的Zernike矩的最高阶次。为了充分反映特征图像的局部信息，提出了基于Wavelet矩的人体行为识别方法。根据特征的类间距离和类内距离来衡量特征的分类识别能力，选取最优的Wavelet矩组。经规范化处理后，提取的矩特征对尺度、位移和旋转具有不变性。实验中，对不同的人体行为进行了测试，应用Zernike矩和Wavelet矩特征的分类精度高于用规则矩和Hu矩作为特征的方法，从而证明了基于Zernike矩和Wavelet矩的人体行为识别方法的有效性。 为了能有效地处理运动遮挡问题，本文提出了基于运动光流特征的人体行为识别方法。采用基于图像的方法描述人体运动的模式。根据规范化特征图像中灰度的层次分布特点，搜索实际运动区域，从中提取出基于梯度的运动特征。在特征提取中加入多分辨率思想形成了分等级的特征提取方法。最后利用极坐标的运动方向直方图进行分类的匹配。对具有遮挡的人体行为序列进行了实验，都能得到有效的识别结果。 本文介绍的两类人体行为识别方法，一种是全局的特征提取，一种是局部的运动分析，都能有效地应用到合适的运动分析场合。