随着计算机技术和网络技术的发展,图像和视频信息的获取变得越来越容易。在这些海量的信息中人们最关注的往往还是其中包含的人体动作信息。人体动作识别作为计算机视觉和机器学习等领域的热门研究方向,就是研究如何让计算机自动的获取、分析视频和图像中包含的人体动作信息。人体动作识别技术在许多方面如:智能视频监控、视频内容检索、运动分析、人机交互等都有着广泛的应用前景。然而,由于人体动作本身的复杂多变性,当前人体动作识别研究在提高识别的精度和速度方面还面临着很大的挑战。本文的研究围绕将流形学习算法应用在人体动作识别上展开,尤其是面向视频和图像中的人体动作识别。本文研究的侧重点在于动作特征的提取和分类器的设计两个方面。在动作特征提取方面,本文对可用于人体动作特征降维的几种流形学习的算法进行了探讨,给出了一种基于流形学习的动作识别框架。然后结合传统流形学习算法的原理和实验结果分析了传统流形学习算法在动作特征降维过程中存在的问题,随后提出了相应的改进方案和算法。在分类器设计方面,本文将语音识别中广泛采用的DTW算法用于动作特征序列的分类器设计,并对其进行了改进。本文的主要研究工作及取得的成果如下:(1)针对动作特征降维过程中,传统的流形学习方法无法有效的处理非连通流形数据的维数约简问题,结合谱聚类算法提出了一种改进方案。根据此法在传统的流形学习算法等距映射(ISOMAP)、拉普拉斯特征映射(LE)基础上进行了改进,最后在人造数据集和动作数据库上进行实验,取得了较好的效果。(2)针对动作特征降维过程中,传统的流形学习算法拉普拉斯特征映射(LE)增量学习能力弱的问题进行了探究。结合Nystr?m近似方法对拉普拉斯特征映射算法进行了改进,并结合非连通流形学习改进方法进一步提出了增量的非连通拉普拉斯特征映射改进算法。最后通过动作数据库上的实验验证。(3)针对DTW分类器在鲁棒性动作识别测试中识别能力较弱的问题,提出了一种结合KNN算法的分类器改进方法。改进后的分类器在Weizmann鲁棒性动作数据库上取得了不错的分类性能。