人体姿态识别作为计算机视觉和模式识别领域的研究热点,已经被广泛地应用在人机交互、智能视频监控、运动分析和医疗辅助等诸多领域。近年来,随着人工智能的兴起,利用深度学习的方法进行人体姿态识别的研究受到了越来越多学者的关注,并有很多基于深度学习的人体姿态识别方法和理论被提出。但是在人体姿态识别过程中依然会因为类内差距、相似动作混淆和其他外部因素的干扰而出现误判。本文针对人体姿态识别过程中出现的相似动作混淆问题,利用深度学习和数据融合的方法实现对人体相似动作的准确识别。在解决问题的过程中,具体工作如下:(1)针对目前在人体姿态识别过程中出现的相似动作混淆问题,本文利用数据融合和深度学习的方法,并以CNN和RNN两种神经网络为基础,搭建了DCLSTM(Double CNN LSTM)网络模型。(2)利用可穿戴动作捕捉设备采集人体关键节点的运动学数据,利用Openpose提取视频中人体关键节点坐标数据。对这两种数据进行预处理,生成伪RGB图像和伪灰度图像,并对这两种伪图片进行特征提取、数据融合、时序分析。(3)通过分析两种人体姿态数据的特点,设计DCLSTM网络模型中的特征提取模块、数据融合模块和时间序列模块。并根据研究目的和网络结构构建损失函数,选取合适的分类器、优化器。(4)实验结果表明本方法在12种姿态上的平均准确率在96%以上,并且DCLSTM网络模型对数据集以外人的相似动作,同样具有良好的识别效果,验证了本文提出的方法对人体相似姿态识别的有效性和泛化性。