人体行为识别的最终目的是让机器系统能像人一样认识并理解视觉信息中的行为模式，这项技术涉及到人工智能、模式识别、计算机视觉等多个学科，在多个领域有广泛的应用前景。随着整个社会的发展，人们对于以智能视频监控为主的应用需求日益增加，人体行为识别技术也逐渐成为一个热门研究领域。人体行为识别一般可以分为运动目标检测、特征参数提取、分类识别三个步骤。本文在简要介绍前两个步骤的基础上重点对分类识别阶段进行了研究，即如何建立最佳模型来描述行为进而准确识别行为。隐马尔科夫模型(HMM)是一种最常用的建模方法，传统的HMM训练方法Baum-Welch算法是一种爬山算法，寻找到的解是局部最优解，最终会导致训练得到的模型无法准确描述行为并影响识别准确率。针对此问题，本文提出一种Baum-Welch算法和遗传算法相结合的混合训练模型。该混合训练模型通过交叉使用Baum-Welch算法和遗传算法来寻找全局最优解，融合了传统训练算法的快速局部寻优能力和遗传算法的全局寻优能力。实验证明，通过该混合训练模型训练得到的HMM比传统训练算法训练得到的HMM能更好的描述人体行为模式，从而能获得更好的行为识别效果。此外，本文还研究了以OMAP3530迷你开发板为硬件平台的人体行为识别技术的设计和实现。首先搭建了软硬件开发环境，然后构建了一个完整的嵌入式Linux操作系统，包括一二级引导启动程序、内核、文件系统的编译实现，最后对识别算法的程序进行了移植和实现。这些工作为人体行为识别技术最终能应用于嵌入式便携设备进行了一个初步探索。