在基于机器视觉的高尔夫运动等体育辅助训练领域,多数采用的目标识别算法具有时间复杂度高、硬件设备性能要求高、操作复杂等现象,所使用的辅助训练设备往往不具备机器识别功能,需要人工操作来提高训练效率。在智能手机盛行的时代,如果将计算机视觉技术运用到手机应用之中,不但能够帮助普通人用较低成本的方式来辅助训练,而且会对运动的普及与推广起到推动作用。因此设计一种运行在智能手机上的识别算法,对视频序列中的运动行为进行实时、准确地识别分析,使体育运动辅助训练数字化是具有十分重要的意义。论文对基于静态图像与视频序列中的高尔夫姿态识别算法进行了深入研究。在静态图像中的高尔夫姿态识别方面,本文对算法中最耗费时间的特征提取与分类识别两个方面进行了改进,在特征提取过程中选取聚集通道特征对静态高尔夫图像进行描述,并以多尺度的方式进行提取,为提高特征提取速度,采用了多尺度特征近似计算法方法;在算法的分类识别阶段,运用训练时间短、泛化能力强的改进型AdaBoost作为分类器。在视频序列中的高尔夫姿态识别研究中,运用机器学习技术对视频序列中的行为进行识别,同时使用ACF检测器对图像中的显著性区域进行定位,并利用姿态检测器扫描视频序列所生成的分数序列,作为视频序列中高尔夫行为的特征向量,同时采用阈值滑动窗口法对特征向量进行重组,并由线性支持向量机对重组后的特征向量学习得到的分类器,对视频序列中的高尔夫姿态进行实时分类。对算法的测试采用了UCF运动数据集与自创建的运动数据集,并在中央处理器i7-6700HQ、内存8G与Matlab2016b的PC机上进行了分析与验证。试验结果表明,基于聚集通道特征的高尔夫姿态识别算法在失准率较低的情况下,对每一帧平均识别时间为2.38ms,满足实际应用的要求;而视频序列中的高尔夫姿态识别方法在iphone5s及以后版本上运行时,可以达到30fps以上的识别速度与97%的识别准确率,进一步验证了本文方法在实际应用中的有效性。