随着计算机技术的飞速发展以及人们对智能化设备需求的提高,人体行为识别已经成为计算机视觉领域热门研究方向之一,其广泛应用于公共安防、人机交互、虚拟现实、体育运动和医疗健康等领域,具有极高的理论研究价值。早期的研究工作主要针对于RGB视频图像,由于易受复杂背景、光照强度的影响,很难达到理想效果。但随着深度传感器技术的发展,高精度获取三维骨架关节点信息变得方便可行。对比传统RGB视频图像数据,骨架姿势信息对行为的描述有其内在优势,它不仅能够更准确地描述人体姿态和运动状态而且不受背景复杂度及光照强度等因素的影响,因此骨架信息被广泛应用于行为识别。本文对基于人体骨架关节点的行为识别展开研究,所做的主要工作如下:（1）对于输入的骨架关节点数据,提出利用人体结构及人体关节运动特性预测缺失的关节点数据,并提取归一化关节向量和关节向量夹角作为姿态特征,最后采用K-Means聚类算法选择关键帧。行为识别中,关键帧序列的选择不仅减少了数据的冗余,降低行为识别过程中的特征数量,而且增强了对行为物理意义的表达,直接影响行为分类的准确率。（2）关键帧序列选择的本质是一个优化问题,提出将关键帧选择问题转化为二进制编码空间下的优化问题,为此设计了一种基于融合域信息和关键帧数目的评估模型,将行为序列划分为多个域,在充分保留运动时序性的同时,根据压缩率自适应调节关键帧数目。设计了一种基于多种群的多目标差分进化算法（Multi-Population based Multi-Objective Differential Evolution Algorithm,MMDE）,提出拐点帧的概念,以拐点帧作为种群初始化标识并重新定义了种群初始化规则,同时对差分变异算子和选择算子进行改进,提高算法的全局搜索能力。（3）为了验证方法的有效性,在MSR-Action3D、UTKinect-Action和Florence3D-Action 3个公共数据集上进行了仿真实验,在基于K-Means选择关键帧的行为识别中,对比了在不同分类器上的行为识别效果,相对于原始序列及等间隔帧采样帧,行为识别准确率均有提升。在基于优化方法选择的关键帧行为识别实验中,与目前文献中主流方法的识别效果作了比较分析,并分析了拐点帧的作用,同时讨论了有无拐点帧加入的效果和划分域的意义。在行为识别问题中,本文提出的关键帧提取模型在一定程度上减少了行为序列的特征冗余,增强了行为物理意义的表达,可有效提高行为识别的效果。