抽烟和打电话是人们生活中常见的两个动作,若在特定的场所中违规使用香烟或电话,则可能产生严重的安全隐患。近年来得益于深度学习技术在计算机视觉领域的飞速发展,当摄像头正对人脸时,抽烟打电话动作识别已经取得了较好的效果,但是针对于实际应用中的复杂场景,效果仍然不理想,主要是因为不同场景下摄像头的角度各异,导致人在画面中的尺度变换较大,当人离摄像头较远时,香烟和电话这两类目标通常属于小目标,视觉特征不明显。其次是抽烟和打电话这两个动作存在同时发生的可能,不同的动作在不同场景下的规则或容忍度是不同的,而当前的方法大多都将动作识别问题当作图像分类问题,仅区分出“抽烟”和“打电话”两个类别,难以满足实际的应用需求。为了解决上述问题,将抽烟打电话动作识别拆分为疑似目标定位和动作交互识别两个阶段进行研究,主要工作及成果总结如下:（1）在疑似目标定位阶段,为了提升小目标检测的精度,在特征提取上进行优化,提出了空间信息增强的双路金字塔网络,利用图像金字塔提升了网络对于纹理细节信息的表征能力,提出空间信息增强模块减少了特征图在冗余区域或不相关区域的干扰;在候选框实例的分类和回归上进行优化,利用抽烟打电话动作中人和物体的交互关系作为先验知识,提出了结构聚类引导模块,抑制非抽烟打电话动作的候选框关系,进一步提升人与香烟或电话交互时的目标检测准确度。（2）针对仅使用目标检测算法可能在遮挡严重或画面模糊的情况下的漏检情况,提出了疑似目标再确认算法。利用人体关键点对人体姿态进行估计,判断出疑似抽烟打电话的姿势,以此对目标检测的结果进行查漏补缺。同时进一步控制摄像头聚焦放大疑似目标的位置,为第二阶段的动作交互识别创造良好的画面条件。（3）为了使动作识别算法可适配抽烟打电话动作同时发生的情况,且能灵活应用于不同规则或容忍度的场景,提出了基于视觉特征和空间关键点特征的动作交互识别算法,利用已有的目标检测和关键点检测结果,生成人-物视觉特征和空间关键点特征对抽烟打电话动作进行细分。同时利用人和其周围环境的视觉信息提出了环境关联分支,以此捕获环境中的烟雾特征,进一步提升抽烟动作识别的准确度。（4）结合本文提出的算法,开发了抽烟打电话动作识别智能监控系统。对于一路网络输入流,系统通过关键帧推理、负载均衡和平滑预测中间帧等策略,对抽烟打电话动作交互进行实时识别,将结果可视化在界面上,为管理部门提供了智能化监管依据。