随着社会发展和生活水平的不断提高,人们生活方式与学习方式较以往也有所不同。大学生、程序员、办公文职人员等诸多人群在使用电子产品进行工作时会长时间的保持颈部不良姿态。如果不良姿态超过了一定的承受范围,那么颈椎病就会变的“年轻化”,近几年,颈部姿态越来越受到人们的关注。本文基于人体姿态检测的背景,展开对颈部姿态进行检测与识别研究,此课题为生物学与病理学的进一步研究有一定的借鉴意义。首先,通过查阅国内外文献了解到对颈部姿态的研究比较少。常见的颈部姿态检测是利用加速度传感器贴附在颈部进行标记来检测颈部运动的角速度、线速度、倾斜角度等值,但传感器贴附在人体颈部会产生不适。为了避免上述情况,本文采用图像处理与机器学习的方法对颈部运动进行检测与识别从而达到无标记的目的。实验包括对不同的颈部运动图像进行灰度化、高斯滤波及图像分割,图像分割采用的是最小二乘法拟合Otsu算法,此分割算法较传统的分割算法相比具有实时处理速度快的优点。其次,颈部图像分割完成后,通过星型模型、Hu不变矩、Zernike不变矩及小波不变矩对不同的颈部运动图像进行特征像素提取。提取的特征像素值再次通过差分进化灰狼优化算法（GWODE算法）进行特征像素值融合。与其他几种融合方式相比,此算法融合后的特征像素值不仅降低了颈部图像的维度,而且提高了颈部姿态的识别率。最后,不同算法的特征像素值融合完成后,每个姿态会有其对应的特征向量。分别利用基于判别函数法的线性分类器、支持向量机及级联前向神经网络依次对不同算法融合的特征向量进行分类识别,对比分类识别的准确率。综合分类识别准确率和分类识别效率,实验发现,基于级联前向神经网络对各个特征融合算法的分类识别效果更好。