机器对人体动作的预测是人机交互的一种重要手段,通过准确地对人类动作预测能够使机器提前对人体即将执行的动作做出相应的反应,从而达到先发制人的目的。如何去设计一定的算法,使得机器能够对人体动作进行一个效果较好的预测,且让预测结果更为符合人体运动学是研究的一个难点。深度学习是一种特征学习方法,借助于深度神经网络中的循环神经网络模型,原始数据可以变换为更抽象的语义,通过对被抽象为语义后原始数据进行预测,并实现动作的重建,可以实现人体动作预测的目标。因此,本课题的研究目的在于:设计神经网络的结构,使其能理解并预测一个动作,且重建结果符合人体运动学。根据这样的研究目的,本文首先分析了人体动作领域人体动作预测的研究现状,对当前在人体动作预测研究方面应用的一些使用了深度学习和没有使用深度学习的方法进行了分析,同时调研了与动作数据相关的数据处理方式,以及目前可以用于深度学习的人体动作数据集,针对已经存在的在人体动作预测上的深度学习方法提出相应的改进,提出了两种针对动作预测的不同类型的注意力机制并分析了两种注意力模型的优劣性,且通过实验证明这两种方法能够在一定程度上提高了人体动作预测的准确性,并在不同的动作上和已有的方法进行了对比。本文也实现了利用深度学习方法预测到的人体动作数据在游戏开发软件Unity上的动作重建,且利用网络通信机制实现了动作预测数据在人体动画生成上的应用。