人体动作分析一直是机器学习领域的一个热门研究,人体动作识别是其中一个重要的分支,广泛应用于智能监控、医疗看护和人机交互等领域。与RGB视频相比,人体骨架关节点能准确的描述人体运动的过程,且能解决RGB视频对光照敏感、受遮挡影响大等问题,人们开始把更多目光聚集在基于骨架的动作识别研究上面。基于骨架的动作识别其核心在于特征提取和分类方法的选择上,本文基于骨架特征提取展开研究,提出了一种特征提取方法,同时在此基础上进行了动作的准确性描述。主要工作内容如下:（1）针对基于骨架动作识别的特征提取问题,提出一种基于Point-Line的特征建模方法。首先选择16个主要关节点间的32条重要连线作为底边,提取每一个关节点（Point）到32条底边（Line）的距离作为特征,结合树遍历的特征表示方法进行特征建模;分类方法上提出了一种基于混合上下文时空注意力机制的LSTM方法（Attention of Context Fixed Long Short Term Memmory,AF-LSTM）进行分类,使用Point-Line特征作为AF-LSTM网络的输入完成动作识别的任务。所提方法在NTU RGB+D上进行了实验,实验证明,本文提出的方法相较于没有进行Point-Line建模的方法在C-S和C-V上分别提高了5.51%和7.10%。（2）为了描述同一类别的动作相对于标准动作的准确性,提出一种准确度评价机制。首先把动态时间规整算法（DTW）的改进策略进行整合,提出一种混合匹配算法（Fixed DTW,FDTW）,使用FDTW计算用户动作序列和标准动作序列之间的相似性,针对不同长度、不同大小的时间序列分别设定准确度评价标准,最后使用傅里叶变换进行拟合,实现FDTW值到最终百分制得分的映射。我们在太极拳动作数据上进行了准确度和FDTW运行时间的测试实验。实验表明,在准确性验证上,当用户序列和标准序列相似度较高时,平均误差率为9.82%,在运行时间的测试上,运行时间大幅缩短。（3）基于Unity 3D平台搭建了一个实时太极拳动作指导平台。首先使用本文动作识别方法检测用户的手势,通过不同的手势选择不同的模式,接着采用Unity的粒子系统构建虚拟特效,实现动作引导功能,最后使用本文准确度评价机制,对用户的太极拳动作评分。