图像序列中人体运动的视觉分析是计算机视觉研究领域的重要课题之一，也是近年来备受研究者关注的前沿方向。人体运动的跟踪与识别主要包括：从背景图像中检测出运动人体；在视频中对运动人体进行跟踪；提取运动特征；运动识别。本文主要对人体运动的跟踪、特征提取与识别进行了研究，主要工作体现在以下几个方面：(1)提出了一种多特征的基于Mean Shift算法和粒子滤波器的跟踪算法。利用系统模型对粒子进行传播得到粒子新的预测值后，将Mean Shift算法用于每一个粒子，经过Mean Shift迭代，使粒子集中在其局部区域内。粒子在集中的过程中会获得较大的权值，很好地克服了粒子滤波器的退化现象，且在很大程度上减少了所需的粒子数目，提高了算法的效率。同时考虑到单一特征的局限性，取颜色和纹理特征作为观测模型，增强了算法的鲁棒性。(2)提出一种综合运动历史图像(MHI)、特征图像、人体轮廓高宽比和速度的特征提取方法。采用基于梯度的光流场计算速度，人体轮廓高宽比可以较好的区分不同的运动模式，MHI在空间上很好地描述了运动发生的位置和区域，又在时间上反映了运动是如何发生的，特征图像隐式包含了运动的速度与方向。从运动序列中的一个运动周期内提取出多幅MHI及特征图像，通过主成分分析法进行降维，得到表示运动的特征点；将特征点与速度和人体轮廓高宽比组成一个向量作为复合运动特征。(3)采用基于改进模糊C均值聚类(FCM)和学习矢量量化网络的识别方法对人体运动进行识别。在FCM中，提出了一种自适应初始化聚类中心的方法。随机选择第一个聚类中心，剩下的聚类中心可以自适应地由算法得到。采用该方法对样本集进行初始聚类后，将聚类的结果作为已标记的训练样本输入学习矢量量化网络，从而得到精确的聚类中心及最终的分类结果。实验结果表明，本文的跟踪算法实时性强，且具有良好的鲁棒性；采用MHI、特征图像、人体轮廓高宽比和速度的复合特征，用本文的识别方法，可以有效的识别出6种运动行为：走、跑、单脚向前跳跃、原地双脚跳跃、侧向跑和双脚并拢向前蹦跳。