随着计算机技术的提高以及智能化时代的降临，人物运动轨迹提取和行为识别算法的研究受到了广泛关注。本文对传统的人物行为识别算法进行归纳总结，针对前人算法的不足之处，首次将一种新的运动轨迹提取算法应用于人物行为识别中，并提出了一种新的动作特征描述方法。　　第一，针对光流法在像素级的计算复杂度高、无法避免孔径问题，以及SIFT法在缺乏颜色信息的部分无法成功提取运动轨迹等问题，本文找到一个新的运动轨迹提取算法，即排他性块匹配法（Exclusive Block Matching，简称EBM），在像素块级别对图像进行处理，与传统的方法相比，可以提取更完整、更稠密的运动轨迹，具有更高的精确度和鲁棒性。EBM法将首次被应用于人物行为识别中。　　第二，针对很多人物行为特征描述方法不能区别轨迹向量在人物中的位置这一问题，本课题提出了一种新的动作特征描述方法，即轨迹上下文直方图（Context Histogram of Trajectory，简称CHOT）。CHOT法将人物所在的空间划分为子空间，首先对每个子空间建立特征直方图，然后将所有子直方图进行汇总，作为人物行为的特征向量。CHOT法可以描述比较复杂的人物运动轨迹，区别人物空间位置上的轨迹特征，能有效发挥EBM法可以获得人物所有部分的空间轨迹这一技术优势，对人物行为识别有较强的针对性。　　最后，经过编程调试和大量数据的实验验证，得出结论：相比于传统的人物行为识别算法，将EBM法与CHOT法结合应用于人物行为识别中，取得了较好的识别效果。