人类活动识别是计算机视觉领域中一个热门的研究主题。许多应用如人机交互、智能视频监控、运动视频分析、病人监护系统、智能家居和智能安防系统等都要求对视频序列中的人类活动类别进行精确识别。为了精确地识别人类活动类别,需要合适的距离度量表示活动样本间的相似性。特别地,传统的人类活动识别算法采用自定义的距离度量表示相似性。然而,实际应用中不同的活动识别任务要求不同的距离度量,然而采用手工的方式构造合适的距离度量是极其困难的。考虑到距离度量学习算法能够针对不同的任务,不同的数据集自适应地学习距离度量,本文把其应用到人类活动识别,以便提高识别精度。本文的主要研究内容有:(1)针对人类活动识别中样本间相似性估计问题,提出了一个基于快速近邻成分分析的人类活动识别算法。该算法通过最小化训练集上的留一法加权分类误差来学习输入空间中的一个线性变换。Weizman数据集、Kernel1数据集和Kernel2数据集实验结果表明,快速近邻成分分析学习的距离度量能显著提高人类活动识别的精度。(2)针对人类活动识别中样本间相似性估计问题,提出了一个基于大间隔最近邻的人类活动识别算法。该算法通过把目标函数形式化为凸半定规划问题来学习马氏距离。实验结果表明,大间隔最近邻学习的距离度量在常用人类活动识别数据集上获得了较好的识别精度。