人体运动捕捉数据能够较好地保存运动的细节并真实地记录人体运动的轨迹,已经被广泛地应用于虚拟现实、三维游戏、影视特效等众多领域。随着运动捕捉数据库中运动数据的不断增长,如何对人体运动数据进行合理有效的分析已成为当前的研究热点。运动分析的主要目的是为了更好的理解与描述运动的过程,以便对运动捕捉数据库中已有的运动捕捉数据进行管理与重用。本文针对运动捕捉数据库中现有的人体运动捕捉数据,对运动数据行为分割、运动模板提取计算与运动行为识别等运动数据分析方法进行了研究。本论文的主要研究工作包括：在运动数据行为分割方面,提出了一种新的运动捕捉数据的字符串表示方法,将高维的人体运动捕捉数据序列表示成字符串的形式。该方法将人体运动捕捉数据视为高维的数据点集,使用基于密度的聚类方法进行聚类,并用字符表示所得类别；通过时序恢复处理,将聚类所得的字符表示的高维数据点集按照原始运动序列的时序进行重新排序,得到原始运动捕捉序列对应的字符串,该字符串被称为行为串(Behavior String,简称BS)；通过对行为串进行分析,实现对人体运动捕捉数据序列的行为分割以及提取出各种行为所对应的运动周期。在运动模板提取计算方面,对原始关系特征进行改进,并实现了一种基于改进关系特征的运动模板的提取计算方法。该方法根据人体关节与空间几何的关系提出一个关系特征矩阵来描述人体各个关节的空间位置关系,将同类别运动行为的关系特征矩阵通过动态时间归整(Dynamic Time Warping,简称DTW)的方法进行时间轴对齐,并记录DTW的时间变形过程,将对齐后的矩阵求均值并根据所记录的时间变形过程进行反变换,最后进行量化得到该类别运动行为对应的运动模板。在运动行为识别方面,提出了一种基于运动模板的运动行为识别方法,能够对原始运动数据序列进行行为分割所得到的运动片段自动进行行为识别。该方法根据待识别的运动序列对应的人体骨架模型中根节点的运动轨迹将其分为根节点运动和根节点静止两类,基于DTW方法将待识别的运动序列依次与不同运动行为的运动模板进行相似性匹配计算,实现了对运动序列片段中运动行为的自动识别。