近些年来，随着生活水平的提升，人们对体育运动的参与度越来越高。但运动的开展需要专业教练的指导和点评，动作不规范轻则达不到锻炼效果，重则损伤身体机能。动作分析技术的出现，使得人们可以随时随地了解自身动作完成情况，获得专业的点评。传统的动作分析方法主要基于运动捕获设备，存在佩戴不方便、设备高成本、方案不通用等缺点。基于视觉的相关研究很多，但基本都局限在视频动作分析的某一环节，缺少一种从视频数据到人物动作分析结果的端到端解决方案。将现有技术应用到视频动作分析中，还需要解决诸如人物运动模糊、关键点遮挡、相似动作区分等问题。由此，本文提出了一种基于姿态估计的视频动作分析方法，先对数据进行人物运动模糊消除和关键点弥补处理，然后再进行动作内容识别和动作规范性评估。本文的主要贡献如下：
　　针对视频中可能出现的因高速运动而产生的人物运动模糊现象，提出了一种基于生成对抗网络的人物运动模糊消除方法，采用残差网络结构避免梯度消失，使用跳跃连接级联图像不同尺度特征，并改进了损失函数的构成，能够对人物视频进行去模糊处理，提高了动作分析的准确度。实验结果显示，该方法在GoPro数据集上的图像还原峰值信噪比达到35.27dB，结构相似性指标达到0.956，均优于大部分同类方法，并且在图像细节上还原质量较好。
　　针对现有动作内容识别方法对相似动作区分精度不高的问题，提出了一种基于图卷积网络的动作内容识别方法，将人体骨架图按照结构特点划分为几个子骨架图分别提取特征，再根据子结构间的动作交互情况进行融合，使得网络更容易关注到子结构间的细微差异，提高了动作内容识别的准确率。实验结果显示，该方法在Kinetics数据集上的Top1和Top5准确度分别达到35.2%和57.6%，均优于大部分同类方法。
　　针对现有动作规范性评估方法通用性不强的问题，提出了一种基于人体时空图空间体的动作规范性评估方法，通过比较人物动作和模板动作对应时空体的吻合程度评估人物动作的规范性，能够对任意人物动作进行规范性分析而无须针对性地设计。同时该方法可应用到具体人体部位之上，得出相应部位的动作规范性程度，解决了动作规范性评估不够精细的问题。
　　实验结果表明，本文提出的基于姿态估计的视频动作分析方法较好地解决了人物运动模糊和关键点检测缺失问题，对人物动作的识别和规范性评估相比现有方法具有更高的准确度和精细度。