同场对抗性集体项目中时空数据驱动下的表现分析是提升训练水平和竞技能力的重要途径,在足篮球项目中已经得到了广泛应用。但冰球比赛中高强度的身体对抗和频繁的阵容轮换增加了数据提取难度,造成冰球运动员时空数据缺乏并制约了相关研究的发展。基于提取冰球比赛视频中运动员时空位置信息的目的,本文提出一种基于冰球运动员外形特征解析的时空数据提取技术。该技术包含三部分内容:空域冰球运动员检测、冰球运动员分队和时域冰球运动员轨迹重建,具体流程如下:（1）冰球比赛数据集制作:收集和建立冬奥冰球比赛数据集和NHL L比赛数据集,并对其进行标注;（2）提出了一种适合于冰球运动员外观特征的双阶段级联卷积神经网络用于检测视频中的冰球运动员,网络以级联结构排列以应对不同检测难度的个体:阶段一网络用于排除图像中大量简单负样本,阶段二网络则在此基础上专注于解决复杂样本的干扰;（3）基于运动员检测结果,提出了一种基于队服颜色特征的分队方法:选取检测结果的中心区域作为运动员队服分布区域,提取这一区域的主色特征进行分队;（4）提出了一种基于交并比计算的轨迹重建方法,将帧序列中属于同一运动员的检测结果关联起来形成运动员轨迹。实验结果显示,本文提出的方法对于冰球运动员时空信息提取具有较好的效果:运动员检测和分队检测实验的准确率分别达到98%和93%,轨迹重建的平均长度约为序列总长度的25%,具体如下:（1）在冬奥冰球数据集上测试运动员检测模型,结果显示本方法平均准确率为98.75%、平均召回率为94.11%,F-score值超过95%。在与其他目标检测方法的对比实验中也表现出了竞争力,在ROC曲线和AUC值指标上均超过Yolov3和CornerNet方法。在与自身基准方法的对比实验中也验证了针对冰球运动员外形进行参数调整的有效性。（2）在运动员分队实验中,本文方法在四场冬奥比赛数据集上取得了平均93.05%的正确率,能够在不经过额外标注的情况下较好的区分不同球队的运动员。（3）在两段NHL L比赛视频（分别为多打少片段和快攻片段）进行运动员轨迹重建方法的检验,平均追踪长度分别为77帧（视频总长316帧）和31帧（视频总长120帧）,即每个编号平均连续追踪成功的序列长度约为总长度的25%。考虑到运动员离开画面和检测输入缺失造成的轨迹断裂,本文方法实现了较好的冰球运动员轨迹重建效果。综上所述,本文提出的冰球运动员时空信息提取技术能够较好地提取冰球比赛视频中的运动员位置信息,为冰球比赛分析提供球员位置动态信息。