在计算机图形学领域中,虚拟人的运动生成和仿真是一个重要的研究方向,虚拟人技术可以应用于游戏开发、电影特效制作以及手术模拟等工作中,具有非常重要的应用和研究价值。然而在这些应用中,虚拟人不仅需要准确地完成动作,还需要与复杂环境进行实时的交互,与此同时,保证虚拟人动作生成的高效性和真实性。在此背景下,本文分别从动力学模型和深度学习模型入手,试图高效且逼真地实现虚拟人的运动生成和仿真。本文的主要研究工作和创新点如下:1、现有的基于经典控制理论的虚拟人动力学控制器,生成的运动机械化且真实度不高。而直接使用运动捕获数据进行虚拟人运动无法保证与虚拟环境的实时交互。针对以上问题,本文提出了一种基于动能模型分析运动捕获数据的算法框架。首先对数据进行预处理,将人体的物理性质和运动捕获数据联合计算以获取具有物理正确性的控制参数;接下来,通过运动分割器和姿态生成器得到运动参数;最后,将获得的运动参数用于动力学控制器。为验证此算法在虚拟人运动生成时的高效性并且满足复杂虚拟环境的交互性要求,对虚拟人行走类和奔跑类动作进行实时生成仿真,并且虚拟人可以实现行走和奔跑之间的动作转换。更进一步,将虚拟人置于复杂的地形之中,其可以实时的与地形进行连续的交互。最后,将本文所提算法与其他已有工作进行对比,本文所提算法在数据预处理、基本运动生成和复杂环境交互方面均具有优越性。2、针对虚拟人运动信息采集的复杂性问题,本文将单人物视频数据作为数据源并且结合深度学习相关方法进行运动数据的生成,提出了一种从视频数据到虚拟人运动数据生成的完整算法流程。首先构建堆叠沙漏卷积神经网络对图像做热力图特征提取,得到人体姿态二维空间信息的同时,更进一步的使用积分回归方法估计其三维空间信息。并且提出对三维空间信息的进一步规范化设计与优化。本文展示了其进行不同类别动作生成的结果来验证此算法的有效性,并且展示了与已有方法对比的估计误差,本文的算法在各个类别的动作生成上产生的误差都有所下降,说明本文算法相对于已有方法具有一定的优越性。