计算机动画技术在图形设备的快速发展支撑下，已经在商用领域得到了广泛的应用。随着人们对动画需求的不断增长，计算机动画的生成效率也被赋予更高的要求，如何快速、准确地生成高质量的计算机动画成为了计算机图形学领域的一个研究热点。近年来，光学运动捕获设备愈加普及，这种系统能够在特定的场景中捕获并记录演员的身体运动细节，这就大大扩展了运动数据的来源。随着运动数据的积累，研究人员也更加关心如何利用这些丰富的运动数据来提高计算机动画的生成效率和生成效果。本文从运动数据重用的角度，探索运动捕获数据在计算机动画创作方面的应用，重点关注了长运动序列的分割以及多种不同风格运动片段的融合。　　 人体结构复杂，自由度较大，因此人体运动数据具有维数较高、相关性和非线性等特征，基于这些特征，本文将机器学习领域的新技术用于人体运动数据的处理，在总结和比较各种机器学习算法的基础上，讨论了两种人体运动数据处理技术，主要工作有如下几个方面：　　 (1)应用流形学习技术，对比和分析了等规度映射(ISOMAP)和局部线性嵌套(LLE)算法在运动数据维数约减上的效果，并结合K-MEANS聚类算法对长运动序列进行聚类分析以达到动作分割的目的。实验表明，流形学习能够较为准确地将高维运动数据映射到三维流形上，且维数约减后的数据具有较好的群聚性，提高了数据分割的效率和准确度。　　 (2)结合人工神经网络理论，用实验的方法分析了一种新的运动风格编辑技术。将指定风格的动作片段训练神经网络，待编辑的动作作为该神经网络的输入，以达到单一风格动作编辑的目的。并利用神经网络良好的集成性，对多种风格的运动数据进行融合。实验表明，经过调整优化的泛化回归神经网络(GRNN)对于运动模式的学习和融合有着较好的适用性，并且需要很少的人为干预，可以更加自由地融合差异度较大的动作。