视频中的人体姿势、动作识别是人类行为自动分析理解的基本任务。无论在运动还是静止情况下,获取人体信息都必需进行人体姿势、动作识别。随着机器学习的快速发展和深度学习技术的进步,尤其是用于特征提取、分类或回归的端到端深度神经网络结构,成为提高图像和视频中姿势估计和动作识别性能的关键。在本论文中,我们提出了使用深度卷积神经网络进行姿态估计和动作识别的新技术,这是一种专门为二维特征提取而设计的深度神经网络。由于深度卷积神经网络能够自动学习训练数据中的低级和高级特征,基于深度卷积神经网络的方法优于此前基于特征工程的方法。由于在图像识别的关键是根据所需任务提取相关特征,因此在我们提出的技术中,重点是如何利用新的深度卷积神经网络结构来改进特征提取。我们从数据类型和问题性质两个不同方面解决问题。首先,我们将深度图像中的三维姿态估计和彩色图像中的二位姿态估计视为回归问题,在使用深度卷积神经模型进行端到端学习的过程中,我们将输入图像直接映射到姿势位置。其次,我们同时使用深度图像和三维姿势数据来构建提供不同类型的运动特征的两个描述符,然后设计了三个深度卷积神经网络通道用于特征提取和动作分类。最后,作为一项补充工作,并在分析人类行为的相同背景下,我们提出了一种无需学习的运动量化算法,使用基于计算指标的三维姿势来表征身体运动。此外,提出了一种基于量化算法的运动比较算法来评估两个身体运动之间的相似性。为了测试我们算法的有效性,我们在公共基准数据集上评估了我们提出的姿势估计和行动识别技术。定量和定性结果均显示我们的方法与最先进方法不分高下。