近年来,人体行为识别技术在虚拟现实、视频监控、视频检索与分析等方面有着广泛的应用,也成为计算机视觉、模式识别与人工智能等领域最热的话题之一,引起了越来越多研究者的兴趣。尽管对行为识别的研究与实现具有很强的应用价值和理论意义,但目前理论研究并不完善,仍有不少问题亟待解决,包括:(1)由于复杂背景、视角变换、不同对象等导致同类型的行为存在较大的差异;(2)不同类型的行为序列包含相似的运动轨迹使得不同动作具有较小的类间变化;(3)高维、冗余的动作序列增大行为识别的时间复杂度;(4)抽取准确的行为特征并设计有效的行为识别算法架构。为了解决上述问题,本文以Kinect设备获取到的人体行为信息为基础,对人体行为的表示方法和识别方法进行深入的研究。首先,对Kinect设备及其工作原理进行介绍,然后利用Kinect设备获取人体行为动作数据并进行预处理。其次,实现了一种基于模板匹配方法的动态行为识别方法。先对预处理后的骨骼数据进行特征提取;接着介绍本文实验创建的数据集,实验结果表明该自建数据集具备两个特征:即类内高内聚性以及类间低耦合性;然后提出改进的DTW算法,最后测试该算法在数据集上的性能并给出了详细的实验结果。再次,提出了一种基于状态空间方法的人体行为识别算法。先对预处理后的骨骼数据进行多种特征的设计提取并进行融合;然后利用两次K-Means算法结合迭代合并过程对特征数据进行聚类,构造出人体行为动作关键姿态的集合;接着在训练阶段利用多层HMM对运动数据进行建模,在测试阶段采用自建数据集和两个公开数据集测试该算法的性能,并从识别精度及识别时间两个方面与文献中提出的算法进行比较。最后,利用深度学习的方法实现人体手势识别。首先介绍了深度学习的基本知识以及虚拟对抗技术;然后利用虚拟对抗训练对少量的有标签数据以及无标签数据进行半监督的模型训练,最后在公开数据集上测试实验效果,并从三个方面分析该方法的效果。实验结果表明,这三种识别算法在识别精度和识别速度方面均具有良好的性能。