家庭陪护机器人在缓解老年人等独居人口抑郁情绪、减少心理压力、提高用户对生活的积极主动性等社会辅助方面具有重要意义。在家庭陪护机器人研究领域,如何让机器人快速并准确地识别用户行为动作以及如何保持机器人控制系统的应用有效性安全性目前成为该领域具有重要研究价值的课题之一。因此,本文针对人体行为动作识别的关键技术以及基于四足机器人的人机交互过程开展了相关研究。本文针对目前流行的Open Pose人体姿态估计方法中训练网络模型的数据集标签标注不正确导致无法识别或误识别的问题进行分析,提出了一种基于标注修正的Open Pose人体姿态估计方法,并应用到家庭陪护场景中机器人控制系统的开发中。该方法首先利用原有方法生成模型一次标签,然后在第二次重复训练的时候利用模型一次标签预测结果对图像中每个像素点进行标签修正。公开数据集的线上实验结果表明改进后的人体姿态估计方法平均精确率提高3.4%。家庭场景中的线下实验结果表明,在用户部分关节被物体遮挡时,该方法仍可以准确推断出用户全身关节点的二维图像位置,对人体的定位和追踪不受遮挡的影响。为了避免特征的冗余提取,通过人体运动学分析选取部分关节点作为静态特征,同时根据关节点提供的数据信息计算得到角度特征、长度特征以及运动速度特征作为动态特征。针对行为识别的准确率较低和实时性难以得到保障的问题,本文提出了一种支持向量机与卷积神经网络融合的二次分类方法,通过支持向量机和卷积神经网分别对提取的多维人体关节点数据和骨架图深层次特征进行分类,完成人体日常行为动作的识别。实验结果表明,二次分类方法相比单一方法的每帧平均耗时最大降低0.174s,准确率提高12.7%,该方法在准确率和实时性具有良好表现,能够满足家庭陪护机器人控制系统的交互需求。根据一个完整动作持续的时间长短修改了滑动窗口的大小以适应不同时长的连续动作检测。为验证基于人体日常行为动作识别的四足型家庭陪护机器人控制系统的实际交互效果,在系统集成后对其进行实验验证研究,在实际家庭情景中完成控制系统的有效性验证等综合实验。实验结果表明,家庭陪护机器人控制系统能实时捕捉多类人体日常行为,并根据动作检测结果同步生成家庭陪护机器人的服务指令以实现机器人智能化服务,系统识别成功率为93%,执行成功率为90%。最后评估了系统的用户体验,进行用户心理物理学实验调研,实验参与者对系统的可靠性和有效性有较高的评价。