人体运动捕捉数据能够精准地驱动虚拟人的运动,从而使虚拟角色达到真实流畅的运动效果,它已经广泛应用在了电视电影,三维游戏,虚拟现实等领域。随着当今人体运动捕捉数据的海量增长,如何管理与重用这些数据已经成为亟待解决的问题。对已有的运动数据进行分析与处理是当前的研究热点,它在运动数据的管理与重用方面具有非常重要的作用。本文针对人体运动捕捉数据进行运动分析,主要包括运动数据的行为分割,运动数据单层语义标注和运动数据层次化语义标注三方面。本论文的主要研究内容包括:在人体运动捕捉数据行为分割方面,提出NCWKK(Normalized Cut combined with Weighted Kernel K-means)行为分割方法。该方法利用归一化割模型(Normalized Cut Model)与加权核K均值(Weighted Kernel K-means)在矩阵的迹方面的等价关系,对运动序列进行聚类处理。将时序恢复之后的聚类结果表示为人体运动序列类别串,定义类别串中三种不同状态的字符:有效子串,长字符与无效子串求取最终的分割点。NCWKK行为分割方法既实现了对人体运动序列的有效分割,也能找出同一条运动序列中具有相同语义类型的运动片段。在人体运动捕捉数据单层语义标注方面,提出导数分段聚合近似(Derivative Piecewise Aggregate Approximation,简称DPAA)语义标注方法。首先利用人体骨骼关节与平面几何的位置关系构造关系特征函数,计算得到单层语义运动模板。然后利用分段聚合近似(Piecewise Aggregate Approximation,简称PAA)对运动序列进行时序约减,将动态时间规整与导数动态时间弯曲(Derivative Dynamic Time Warping,简称DDTW)相结合,对待标注的运动序列与单层语义运动模板进行匹配计算,从而实现运动序列的单层语义标注。在人体运动捕捉数据层次化语义标注方面,提出层次化模板语义标注方法。该方法对运动数据构造隐马尔科夫模型,利用最大期望(Expectation Maximization,简称EM)算法对模型的参数与隐变量进行计算,通过迭代得到父层次运动类别模板与相应的子层次运动风格化模板。然后利用核典型时间规整(Kernel Canonical Time Warping,简称KCTW)方法,对父与子运动模板与未知语义的运动序列进行特征空间上的规整对齐,以此获得相应的规整距离,从而对父层次运动类别与子层次运动风格进行标注。