近年来,随着计算机视觉分析技术的快速发展,基于计算机视觉的人体姿态分析技术已广泛应用于体育、军事、娱乐、康复医疗等多领域。该项技术涉及到人工智能、机器学习等多个学科,不仅要求计算机能实时捕获实际场景中目标的位置和动作信息,同时还应具有快速的行为分析和理解能力,具有重要的理论研究和实际应用价值。其中,在运动训练和教学应用场景中,由于运动员的认知水平和实际运动能力之间存在不同程度上的差异等原因,往往容易出现习惯性形成错误姿态或掌握正确的运动姿态较慢,甚至一直处于错误状态的现象。如何借助人体姿态分析技术快速有效地纠正运动员的错误姿态、巩固正确姿态因此受到了广泛的关注,并已成为计算机视觉分析技术领域的重要研究课题之一。基于计算机视觉的运动姿态分析技术用于运动姿态矫正和强化,涉及目标对象的实时精准检测、姿态抽取、运动姿态标准模板库的构建,以及有效的姿态评估等多项技术,即需要解决人体关节点检测和运动姿态抽取的实时性与准确性,同时还需要利用计算机视觉和人工智能技术,匹配不同运动阶段模板,对连续运动中的不同姿势,尤其是关键姿态的正确性进行智能评估并给出合理化建议。基于上述问题,本文以篮球罚篮场景为主要研究对象,围绕运动员罚篮过程中的运动姿态自动识别与分析技术开展了相关研究,主要研究内容和研究成果包括:（1）在关节点检测方面,针对实际运动训练场景下,摄像装置远距离捕捉运动员罚篮时受到衣物等外观遮挡因素的影响,会出现罚篮行为关节点小目标检测效率低等问题,在保证目标算法实时性的前提下,提出了一种基于颜色标记带结合Yolov3算法改进的罚篮运动重要关节点检测方法。通过实验验证,该方法在关节点检测的准确率、召回率、实时性和降低漏检率等方面的具有良好效果。（2）在罚篮行为姿态检测与评估方面,为实现对运动员在罚篮过程不同阶段内的动作姿态进行快速检测和正确评估,在利用基于Yolov3改进的罚篮行为重要关节点检测算法和Open Pose-S抽取出的骨架相关特征构建实验数据集的基础上,提出了一种基于Bi LSTM改进的罚篮行为所属阶段自动化分类方法、不同罚篮阶段内的关键姿态识别方法和标准姿态模板库的构建方法,并进行了多组实验验证。实验结果表明,该方法通过更有效的利用上下文语义可进一步提升运动姿态识别分类的准确率、召回率和F1值,可以有效进行罚篮关键运动姿态的提取与评估。（3）在运动行为智能分析系统构建方面,完成了系统分析、系统设计等工作,同时结合论文所提出的模型算法对原型系统AI-FREE-THROWS进行了初步实现。经实际案例分析,原型系统可有效实现对罚篮行为中相关目标的准确检测与提取,并可根据与罚篮标准姿态模板的匹配结果对运动员的运动姿态提出建设性指导意见。