随着人工智能时代的来临,计算机视觉在人们生活、工作中发挥着越来越重要的作用。人体运动姿态识别作为计算机视觉的热点方向,已广泛应用在视频监控、智能家居、运动分析等诸多领域,然而人体运动姿态的复杂多变,使其在实际应用中存在一定局限性。因此,通过有效特征信息对运动姿态进行准确的描述,是提高人体运动姿态识别效果的关键因素。本文首先在运动目标检测部分对四种经典背景建模方法进行分析研究,通过四种背景建模方法对人体运动视频进行运动目标检测,分析实验结果发现ViBe算法在运动目标检测中运动目标清晰度和算法实时性较好,但当第一帧图像存在运动目标时,易受鬼影影响。针对ViBe算法易出现鬼影问题,本文提出一种结合朗斯基函数的改进ViBe算法,有效解决鬼影问题,减少噪声的干扰,获得较完整清晰的人体运动目标。其次,构建基于多特征融合的运动姿态特征模型。为获得较为丰富的特征信息,本文提出一种基于八星模型、Hu不变矩、Zernike矩、小波矩的多特征融合人体运动姿态特征模型。通过遗传算法对提取到的特征信息进行优化融合,其中以均值方差比为基础构建适应度函数,用以选择在多类别间可分性较好的特征信息。将融合后的特征数据绘制成折线图,发现融合后的特征在减少冗余的同时,保证类间可分性和类内稳定性。此外,通过提取SIFT特征,实现全局和局部特征信息相互补充。最后,考虑深度学习构建分类器需要大量训练样本且对硬件要求较高,K-近邻分类器分类时计算量较大等问题,本文选择在小样本情况下有较好表现的支持向量机作为分类器,采用一对一的方式构建多类分类器,实现人体运动姿态的分类识别。本文选择标准视频库和自建视频库进行实验测试,其中,对测试视频进行预处理,解决了空白视频占用资源的问题。运用本文构建的多类分类器进行人体运动姿态分类识别测试,实验结果表明,基于多特征融合的人体运动姿态识别算法,可有效提高识别准确率,在实际应用中表现较好。