人体动作识别是计算机视觉与模式识别领域中非常热门的研究领域,在围绕“以人为中心的计算”中更起到举足轻重的作用。传统的研究大部分集中于摄像头捕获的视频图像,而近些年,在大数据时代的趋势下,通过传感器采集运动数据的研究开始流行。再加上机器学习技术的迅猛发展,这种数据驱动下的人体动作识别研究必然会获得更多的关注。其中,基于骨骼数据的人体动作识别研究就在这样的背景下逐渐成为热点。特征提取和分类器构造是机器学习分类算法中的关键步骤,也是人体动作识别研究中的核心问题。现有的基于骨骼数据的研究中,大多数采用单层分类的方式,这样就忽略了动作内在的层次关系,而在特征方面,大部分的研究没有过多的关注时序问题,而是将人体运动的时间序列转换成更加容易处理的无序数据,然而恰恰相反,时间也是人体运动中一个重要的特征。因此本文中,就对这些问题进行了深入思考,提出了逐层分类的识别方法,既考虑到人体动作的层次性又关注到运动序列的时空特性。更进一步地,我们在分类器构造上面也做了一点创新性的改进,由于分类器对于不同数据具有不同程度的依赖性,因此我们设计了一个最佳分类单元,其功能是基于特征数据自动的选择一个最佳的分类器,这样就能进一步提高最终的识别效果。具体而言,在第三章节,我们提出了一种基于分层策略的人体动作识别方法。该方法是根据人体解剖学的层次结构和人体运动学的物理特性,结合动作粒度的粗细,将人体动作进行分层识别,而且在每一层提取不同的运动特征并选择合适的分类器。而在第四章节,我们就“合适的分类器”问题进行了更深入的探讨,提出了一种基于自选择机制的人体动作识别方法。为了消除人的主观经验对分类器选择的影响,在分类器构造环节设计了一个最佳分类单元,其内部是常见的机器学习分类算法。该方法是通过数据来训练每个分类器,并让数据选择最适合它的分类器。同时,为了使输出的最佳分类器更加可靠,我们采用概率投票的机制进行选择。本文提出的方法在公开数据集和自建数据集上的结果表现优异。