随着虚拟现实（Virtual Reality,简称VR）行业的快速增长,参与虚拟现实的用户数量迅速增加,分析虚拟现实场景中的用户行为变得越来越重要。在目前的研究中,VR常被当做手段,研究者通过VR创建场景,然后研究人们在某一具体场景下的行为习惯。当前的研究缺少针对VR场景下用户行为的一般化分析方法。本文对VR场景下的用户行为进行分类。与一般的分类任务相比,虚拟现实中的输入源更加复杂和多样,传统的时间序列归类模型难以处理这种复杂性。由于从VR场景可以获取两种类型的数据,一种是用户操作数据,一种是场景的图片。本文基于这两种数据设计了两种进行VR用户行为分类的方法。一种基于操作数据,把VR用户行为分类看成是时序数据分类问题。一种基于场景图片,把VR用户行为分类看成是视频动作识别问题。本文具体的工作如下:（1）针对VR操作数据,采用时序数据分类的方法。根据VR场景下输入数据来源于多种设备且各种来源的数据可能数据结构不同的特点,设计了一个基于长短期记忆（Long Short Term Memory,简称LSTM）和注意力机制的VR多源数据用户行为分类模型。该模型通过汇总方法得到多个输入源的整体信息。利用注意力机制来整合整体信息和多个输入源,输入源包括左右手控制器、头戴式显示器和按钮。通过使用注意力机制关注关键特征,可以提供更准确的信息并提高整体性能。该方法在VR操作数据集中取得了极高的准确率,相比于使用自注意力的方法准确率提升了0.33%。（2）针对VR场景数据,将视频动作识别的方法运用到VR动作识别里。由于视频和场景都可以获得一系列图片数据,本文将视频动作识别的方法用来处理VR场景数据,包括3D卷积神经网络和timesformer。由于VR场景是第一人称视角,场景图片中没有人。要想知道完整的行为信息,需要结合场景图片和操作数据。针对这一情况,本文尝试将场景图片和操作信息相结合,设计了一些融合方法。按照融合的时机不同,分为前期融合和后期融合。后期融合使用两个模型,分别对场景图片和操作数据进行处理,再对两者的输出进行融合。前期融合是在最后输出前进行融合,本文采取的方式是对输入数据进行融合。本文设计了一种将时序数据二维化的方法,方便两者融合。本文选择了两种融合方法:相加和最大值。该融合方法相比于3D卷积神经网络准确率提升了3.62%。本文在获取RGB图片的同时获取了深度信息,并设计了一些融合RGB图片和深度信息的方法。