近年来物联网和人工智能技术影响了人类社会多个方面。随着深度学习的迅猛发展,计算机视觉也成为了目前人工智能领域发展较快的技术,其应用领域也在不断扩展,如果和体育运动相结合将会带来很好实际价值。传统的运动辅助系统引入到体育训练时,通过传感器等设备监控运动过程获取运动员训练信息,可以帮助运动员对技术动作进行回顾分析,但传统系统需要配备多个传感器设备且提供的运动信息有限。本文基于深度学习算法研究一种新的运动辅助系统,该系统具有智能评估功能,不需要配备多个传感器,而是通过运动过程监控视频采集和视频序列智能处理,对运动动作进行识别、回顾和技术分析。本文提出的算法方案以高尔夫运动为实验进行了验证。本文的主要研究工作如下:1.针对运动辅助系统的应用场景,对比分析了当前主流基于深度学习的目标检测算法。首先,分析了两阶段目标检测算法Faster R-CNN和单阶段目标检测算法YOLO v3的网络结构和实现细节;其次,为了提高目标检测算法的训练效率,采用批次训练、迁移学习等训练策略提高算法的检测性能和训练速度;最后在运动视频的关键帧图像数据集上进行对比实验,依据不同算法的检测性能分析其应用场景。2.针对目标检测算法在复杂背景下检测效率低的问题,提出了基于Faster R-CNN目标检测算法的改进方案。首先,为提高Faster R-CNN主干网络的特征提取能力,改进算法使用ResNet101替代原算法中的VGG-16作为主干网络;其次,在数据层面,针对检测现场出现的复杂光照环境和角度问题,提出一种数据增强方案对数据集进行扩充;最后,在高尔夫关键帧图像数据集上进行比较实验,说明该算法在检测速度可以接受的情况下,运动目标检测精度较高。3.针对运动动作视频时间短,图像序列数据相关性强的特点,提出一种基于长短时记忆网络的动作识别算法。首先,引入基于关键事务帧的运动动作分解方案和评估指标,简化动作的分析过程;其次,该算法使用深度卷积神经网络和递归神经网络的混合框架。通过深度卷积神经网络提取帧图像的空间特征,采用双层双向LSTM网络对图像序列的空间特征和时间特征进行融合,最终输出每个帧图像的事务类别;最后,在高尔夫挥杆动作数据集上的测试结果显示,该算法对不同高尔夫关键事务帧的检出率较高。本文提出的算法方案以高尔夫运动为实验进行了验证,效果良好。