人体运动捕捉是计算机视觉和机器学习领域内的一大研究热点,在人机交互、智能监控、虚拟现实、动画制作、运动分析等领域具有日益广阔的应用前景和巨大的市场价值。基于计算机视觉的运动捕捉虽然已经经过了近30年的发展,但仍处于实验室研究阶段,现有的系统一般都局限于简单场景,且仅能捕捉单人或几个人的简单动作,对于不加约束的人与背景的自动分离问题、遮挡问题、人体建模问题、姿态估计状态空间庞大问题仍存在很大的研究空间,其鲁棒性、精确性和实时性与实际应用还有很大距离。针对这些问题,本文将重点从人体运动目标提取、人体运动目标跟踪、人体姿态估计三个部分进行研究,主要工作如下：第一,提出了一种基于在线K均值聚类自适应混合高斯背景建模的目标提取方法,对传统混合高斯建模中的初始化方法和更新算法进行了改进,能够有效处理背景中存在的各种干扰,从相对复杂的场景中较完整准确地提取出运动目标,对光照变化也有较强适应性。第二,提出了一种基于SURF特征的压缩感知目标跟踪算法,利用对尺度、旋转、噪声和光照等的很强不变性的SURF特征,并采用加权分类的思想构建分类器。该方法有效避免了人体建模的复杂问题,可以实现对目标快速准确的跟踪。第三,提出了一种基于约束树图模型和位置先验的姿态估计方法,先通过检测跟踪获得每一帧图像中人体上半身的检测框,再将扩大的检测框作为Grab-Cut的输入,分割前景目标,最后将姿态估计的区域限定在分割得到的前景区域上。之后,通过学习身体各部件的位置先验知识,估计人体的外观模型,最后采用基于消息传递的方法进行姿态推理。有效解决了传统PS模型搜索空间过于庞大的问题,并提高了姿态估计的准确性。第四,构建了一个基于单目视频序列的人体运动姿态捕捉系统,通过此平台对人体运动姿态捕捉中的相关算法进行有益探索,也为进一步研究奠定基础。