人体姿态识别是计算机视觉领域的一个重要研究方向，它在众多领域具有广阔应用前景，比如智能监控、高级人机交互、人体运动分析等。但是碍于普通光学图像容易受光照、阴影等外界变化因素影响，人体姿态识别的研究一直没有取得突破性的进展，直到近几年随着深度传感设备的发展，尤其微软公司推出Kinect深度传感设备之后，人们对从深度图像中识别人体姿态产生了极大兴趣。到目前为止，已经有很多先进算法提出，并且有些已经取得了较好的研究成果，其中具有影响力的是Shotton等人利用Kinect实现了实时的人体运动捕捉，尽管该捕捉系统在一定程度上满足了人们对实时性的需求，但是该算法不适合低分辨深度图像中的人体姿态识别，同时由于大数据集的计算复杂度较高，该算法对训练平台的性能要求也极高，为此，以实现较高准确率的基于低分辨率深度图像的人体姿态识别为目的，本文通过分析深度图像的成像原理，利用计算机图形学技术构建了人体姿态深度图像库，在普通PC上利用分类器模型来检测人体部位，用聚类算法实现人体关节点预测。本文主要的研究工作有以下两个部分：1)鉴于目前没有公开的人体姿态深度数据库及相关构建方法，本文利用基于计算机图形学技术的Maya平台及已有的CMU运动捕获数据库来构建低分辨率的人体姿态深度数据集。相比于利用深度传感器获取深度图像，人工再逐个标注人体部位而言，本文的方法不仅节省了人力和精力，同时人为误差较小且不易产生分类灾难，更重要的是涵盖了人们日常常见的运动中的姿态序列。2)采用了经典的随机森林分类器模型检测人体部位，其中像素的深度差分特征作为随机森林的训练特征。在关节点预测阶段，采用了加权Mean Shift（均值偏移算法），并且针对低分辨率图像容易出现人体骨架扭曲问题，提出了部位合并思想。本文中人体姿态深度图像库的构建理论与思路尤其对基于深度图像的计算机视觉任务的研究具有一定的参考价值。