深度信息是指目标物体距离摄像机镜头的距离信息。动态深度数据，也就是一组具有时间先后关系的深度图像序列，它在表达目标运动有着传统可见光视频无法比拟的优势。随着Kinect等深度获取设备的普及，可以预见将来深度数据将与可见光视频和图像等等一起成为互联网主流媒体介质之一。以往的基于内容的视频匹配和检索研究限于可见光视频往往导致匹配的结果不尽如人意，深度信息的引入，无疑会极大的促进视频的匹配和检索技术的发展。因此本文针对动态深度数据的匹配问题展开研究，具体研究工作如下：首先，进行了动态深度数据采集。我们计了17个动作，并让10个不同体态的志愿者参与了动态深度数据的采集，最后得到170组动态深度数据。这些动作能够反映动态深度数据相对可见光视频的优越性，也能反映匹配方法相对于使用骨架信息的优越性。其次，本文对动态深度数据的匹配方法展开研究。首先针对静态深度图像的匹配问题提出了一种新的形状上下文描述子，该描述子对深度图像有较强的描述能力，然后将动态时间规整技术(DTW)引入到动态深度数据匹配中，实验结果表明用三维形状上下文+DTW作为动态深度数据的匹配方法有很好的匹配精度。最后针对使用三维形状上下文特征直接进行图像匹配时的效率问题，将Bag of Words模型引入匹配过程中，将每幅静态深度图像量化成视觉词包，这样原来的多特征匹配问题变成了两个直方图的匹配问题。通过大量实验，我们验证了我们的匹配算法的有效性，也验证了我们的匹配加速策略的效率提升和精度保持。最后，应用我们的动态深度数据匹配策略开发了一个动态深度数据检索系统。检索库为我们采集的动态深度数据，用户通过在Kinect前完成一段17中动作中的某一个，很快（6秒内）便能检索出库中相同的动作。实际使用表明，我们的系统具有较高的效率和检索精度。