基于视觉的动作识别一直是计算机视觉领域的热点问题。早期基于彩色图像的动作识别方法,当光照条件发生变化时,彩色图像的质量会受到影响,动作识别的准确率也会下降。相比于彩色图像,深度图像对于光照条件的变化不敏感,并且可以提供额外的三维几何信息,对于运动特征的提取尤为重要。近年来,人们基于深度信息设计或学习得到了许多优秀的动作特征,它们之间存在相关性和互补性,较好地融合多种动作特征,能有效地提升动作识别的准确率。超图模型在刻画数据对象高阶相关性上有其独有的优势。因此,本文提出了一种多超图联合学习算法,来解决基于深度信息的动作识别中多特征融合的问题。首先,以动作序列作为超图的顶点,提出了一种基于置信度传播的超边构造方法。具体地,以超图的每个顶点为中心顶点,利用所有顶点之间的距离关系,构造全局能量函数,通过最小化全局能量函数决定哪些顶点与中心顶点属于同一条超边。以此构造的超边大小灵活,对于顶点之间高阶相关性的刻画更加准确。然后,提出一种超图联合学习算法。在学习动作序列类别的同时,对超边的权重进行优化。并且将超图联合学习算法拓展应用到多超图融合的框架中,进一步提出一种多超图联合学习算法,在学习动作序列类别时,同时优化每个子超图中超边的权重以及子超图融合的权重,从而在最优的超图结构上实现多超图融合,达到多种动作特征融合分类的目的。为了验证所提出算法的性能,本文在4个公开的动作识别数据集上进行了实验,分别是MSRGesture3D、MSRAction3D、MSRActionPairs和大规模的NTU RGB+D数据集。在与其他先进算法的对比中,所提出的多超图联合学习算法均取得了更好的识别效果。对于算法中的两个关键点,基于置信度传播的超边构造方法和优化超边权重的超图联合学习算法,本文同样通过实验验证了它们各自的贡献。最后,本文还针对多超图联合学习算法中的主要参数进行了详细的讨论。