人体行为识别作为计算机视觉的前沿研究方向之一,受到了国内外研究者的广泛关注,其研究涉及到模式识别、统计学、信息处理、计算机科学等多个学科,其中人体行为中人体与物品的交互信息是一个重要部分。本文在Kinect平台下,针对室内小范围的人体行为识别,研究了物品信息和人体肢体动作信息的描述方法,并且设计了基于人-物交互的人体行为识别算法,主要研究工作如下：在熟悉Kinect传感器的性能特点前提下,本文研究了Kinect传感器获取图像的原理,重点对其深度图像进行分析,对深度图像中出现的误差进行分析和修复,为下一步进行设计开发人体行为识别系统提供准确有效的数据基础。同时设计出基于Kinect传感器的数据处理软件,方便人体行为识别中样本的提取。提取有效的物品信息和人体肢体运动信息是本文的重点。针对人体日常行为中的物品信息,本文重点从其颜色模型出发。对于物体的特征提取,本文提出了三种颜色模型的创建,分别是：颜色查找表模型、颜色直方图模型、颜色通道值约束模型,最后对这些模型进行了实验对比其效果。对于人体行为中的肢体动作研究,本文针对Kinect传感器获得的数据,设计实验对其深度数据和识别人体关节点能力进行分析,首先得出了进行进一步研究的实验条件。对于人体姿态描述特征,本文主要侧重于从人体自身的结构特点出发,计算向量夹角与向量之间的模比值,最后通过连续序列的选取得到人体肢体行为的特征表示。针对人体行为识别中,本文在传统朴素贝叶斯分类器的基础上,提出一种调整概率朴素贝叶斯分类器(APNBC),将物品信息相应的权值加大,这样有助于将近似人体肢体动作的不同行为区分出来,进而提高算法的识别率。对于人-物交互的特点,本文将人体的行为进行了分层,分别将人体肢体姿态设定为小尺度行为,人体姿态运动设定为中尺度行为,人-物交互设定为大尺度行为,提出一种多尺度分层动态贝叶斯网络(HDBN),可以有效地降低模型参数空间,有利于模型训练。