在运动捕获技术不断进步的推动下,运动捕获数据大量生成,并广泛应用于像影视制作、视频游戏开发、交互虚拟现实、计算机辅助医学诊断等很多领域。但现在运动捕获设备比较昂贵,完成一次动作捕获需要请专业的演员表演,捕捉过程比较耗时,成本较高。为了高效地浏览和重用已存在的数据,计算机动画研究人员逐渐将研究重点转移到如何对已有的三维人体运动捕获数据进行分析、检索与分割上。目前,大多数运动捕获检索算法都工作在全身运动数据之上,而且假设运动数据是由具有相同骨架结构和关节标注的运动物体捕获得到。然而,世界上不同的运动捕获系统可能采用不同的标记点粘贴方式、不同的骨架结构或关节标注。因此,本文针对包含不同运动对象、不同标记点粘贴方式的异质运动数据库,提出一个通用的基于内容的运动捕获数据检索算法。为了方便捕获,原始的运动捕获数据通常是包含多个简单运动类型的长运动序列,不便于数据的存储、检索和重用。为此,本文提出了两种运动捕获数据的自动分割算法。本文的主要工作和创新点包括：1.提出了一种基于内容的运动捕获数据通用检索算法我们提出并构建了一种创新性的运动数据描述符——运动签名。它以统计学的角度描述了一个运动捕获数据序列的高层次和低层次形态学和运动学特征。然后通过比较查询样例和数据库中所有运动数据的运动签名之间的加权距离来完成基于内容的检索任务。为最大化查询性能,我们为数据库中的每种运动类型通过有偏判别分析预先学习一套运动特征权重；在运行时,根据用户的查询样例,自适应地选择一套特征权重。在实验中,我们的算法在不同的运动捕获数据集和不同的检索评价标准下,均取得了很好的检索效果。2.提出了一种基于图割模型的运动捕获数据分割算法为更好的重用运动捕获数据,长运动捕获数据序列需要被分割为多个简单运动类型的运动片段。我们提出了一种基于图割模型的运动捕获数据分割算法。运动序列中的每一帧被看作是无向加权图中的一个结点,图中边的权重是此边所连接的两个结点所对应的帧的相似度。优化的分割结果通过图割算法来获得,它使得每个子图中的结点之间相似度很高,而属于不同子图的结点之间相似度很低。在为每一帧计算分割代价值之后,原来高维的运动捕获时间序列就转化为一维的分割代价曲线。我们在这条曲线上应用双阈值分割检测策略来检测分割点。实验表明我们的算法取得了不错的分割结果。3.提出了一种基于遗传优化的运动捕获数据分割算法为解决运动数据的存储和重用问题,我们提出一种基于遗传优化的运动捕获数据分割算法。对于一段给定的运动捕获数据序列,我们通过非监督的稀疏学习将其转换成一个字符序列。在字符序列上应用字符串分析方法,我们识别出一些简单的运动模式,并对应找到一组候选的分割点。我们将每个候选分割点用一个基因进行表示,每种分割方法对应一条染色体,经过遗传算法的优化,获得最终的分割点。实验中,与近年来有代表性的分割算法进行比较,我们的算法无论是分割的准确性还是执行效率都取得了很好的成绩。