随着人类对世界的不断探索,科技的不断更新迭代,人工智能也得到了迅速发展,智能应用不断渗透到人们的生活当中,动作识别作为目前的一个热点领域,无论是作为体感游戏还是辅助功能都有了非常广泛的应用。而健身动作识别作为动作识别的一部分新领域尚未涉及很多,但其有非常巨大的发展潜力,现在的人们对生活质量与水平的要求不断提高,逐渐对健身运动有了很大的需求。然而,健身是一项隐藏风险的运动,健身者很难对自己动作的规范性有一个准确的认识,由于动作的不规范或不准确,很有可能会造成意外的受伤,健身动作识别的实现可以辅助健身者规范自身动作,降低意外受伤的风险,同时基于其识别的便捷与高效,在节省学习成本的同时提供便利,能受到更多健身运动者的喜爱。故本文研究健身动作的识别模型。本文主要通过OpenPose方法从图像数据中获取骨骼关节点数据,将其作为训练模型的原始数据,并运用K最近邻算法、随机森林算法和梯度提升决策树算法（Gradient Boosting Decision Tree,GBDT）建立模型,通过混淆矩阵、及其衍生的准确率、精确率、召回率、F1分数、ROC曲线、AUC面积和学习曲线等模型评价方法进行比较,通过比较得出结论,对于来自于图像数据,没有极端异常值,且分布连续集中的骨骼关节点数据,GBDT算法模型的识别效果较好,对于更复杂或更多种类的健身动作识别,本文可以作为一个很好的参考。本文选择OpenPose方法来实现对人体骨骼关节点数据的提取,由于OpenPose是一种较新的数据获取方法,故通过用该方法对UTKinect数据中的图像数据进行骨骼关节点的提取,与UTKinect数据集中本身包含的Kinect获取的数据进行对比,应用相关性分析、符号检验和Wilcoxon符号秩和检验验证其获取骨骼关节点数据的准确性,在此基础上进行健身动作识别模型的建立。由于没有已经建立好的健身动作数据集,故本文从各大搜索引擎包括360搜索、必应搜索、搜狗搜索和Google搜索的图片板块进行数据的搜集,共搜集了 9种类别合计11448张图片,在建立好了健身动作数据集后,用OpenPose方法提取出骨骼关节点数据,然后运用了三种机器学习算法建立模型,分别为K最近邻算法、随机森林算法和GBDT算法。由于骨骼关节点数据的变量有50个,故使用随机森林进行特征筛选,剔除重要性较低的11个变量,在实现数据降维的同时,加快模型计算的速度并且防止过拟合情况的发生。最终三个算法建立的模型准确率均达到90%以上,其中效果最好的是GBDT模型,不仅准确率超过了 95%,而且在F1分数、Kappa系数、ROC曲线、AUC面积和学习曲线等评价指标上,都是三个模型中最优的。本文通过对健身动作识别的研究,不仅实现了健身动作的识别,也通过模型算法比较总结了三种模型的适用规律,是对健身动作识别新领域的尝试与探索,具有较好的应用价值。