人体运动捕获数据因其视觉真实感强、细节保持度良好等优势,已被广泛地用于动画、游戏和医疗康复等多个领域。特别是在动画制作和视频游戏中,运动捕获被认为是最有前途的技术之一。随着相关研究与应用的增长,近年来人们积累了大量的运动捕获数据。若能有效地重用已有数据来创建新的运动而不是反复地进行捕获,就能够节省大量时间、金钱与人力成本。另一方面,重用已有数据还能生成出人类所无法完成的动作。运动重用降低了动画和游戏制作的门槛,使得普通人也能从事相关的工作。实际上,运动捕获数据的重用(简称运动重用)已经成为计算机动画和图形学中的活跃研究课题。依照运动捕获数据的获取与使用的流程与特点来看,运动分割、运动检索以及运动合成是运动重用中的重要环节,本文的研究围绕这三个方面展开,主要工作内容与创新性成果如下：(1)提出一种通用的人体运动表示—类文本运动表示。该表示不仅形式简洁、易于理解,且具有较强的可扩展性；它在运动捕获数据与文本数据间建立了桥梁,使任何基于文本的算法和模型得以便捷地应用在运动数据上,从而进行更好的运动分析和处理。在该表示的基础上,分别建立人体运动的一元和二元向量空间模型,并提出基于运动幅度的运动词频调整算法。该模型最终能够以较高的精度从数据库中检索出逻辑相似的运动。(2)通过对运动捕获数据文本化并进行非监督的主题建模,挖掘出了独立于运动类别的本质运动规律：运动词汇和运动主题。基于这些运动规律,提出一种“局部语义一致性曲线”来实现长运动序列的分割。该方法不仅充分利用了蕴含在已有数据中的重要知识,而且保持了良好的运动类别可扩展性,能够获得比现有分割方法更高的正确率。(3)为了解决参数化运动合成方法中普遍存在的参数结构不统一和可理解性差的问题,提出一种稀疏语义参数化模型,使得跳跃高度、行走路径和摆臂幅度等运动属性能够被自动地提取出来,并分别关联于不同的低维运动参数上。该模型极大降低了运动合成的控制复杂度,同时不会损失合成运动的质量；通过简单地修改运动参数的数值,就能够实时、直观地控制运动的生成。(4)为了构建风格多样化的虚拟角色运动,基于重构式独立成分分析和逆运动学,提出一种风格化人体运动合成方法。该方法避免了现有方法在设定独立成分个数或子空间结构时的人为影响,并提高了风格提取的质量。通过结合运动过渡技术,能够合成包含多种风格、任意长度的运动序列,同时还能通过编辑特定帧的人体姿势来约束合成结果。