动作识别可利用视频数据提取动作语义。本文研究了如何在已有的一般动作识别方法的基础上,建立一种适用于生产装配动作识别应用的智能装配动作序列识别方法。其识别结果可用于提升管理效率,提高产品质量。应用Open-mmlab项目下的mmaction2动作识别工具箱,可以处理视频数据,将视频数据按事先定义的时间窗和步长依次截取视频片段输入预训练视频分类模型,得到一个由动作类别信息构成的时间序列,该序列即可作为该视频的动作序列特征。本文使用公开数据集something-something-v2（下文简写作Sth V2）中的174类手部动作视频构建若干组混合视频,每组中的视频是由同一动作类别序列,不同动作视频构成的混合长视频,用这种混合视频模拟实际生产中待识别的目标动作序列。对于某类混合动作视频可以训练一个与之相对应的序列识别器。待识别视频可以通过mmaction2动作识别工具箱处理成由动作类别信息组成的时间序列,通过遍历截取该序列的各个部分,将其输入到序列分类器中,即可找出长视频中的某一特定的动作时序特征,进而发现目标动作序列。本文基于隐马尔可夫模型结合长短期循环神经网络,提出了一种针对手部动作序列的识别方法。首先通过基于精简后的动作类别时间序列,应用循环神经网络训练序列分类器。然后,应用隐马尔可夫模型为各类动作序列信息,训练对应的序列模型以得到相应的对数似然概率。另外,针对小家电产品手工装配工艺的特点,本文借鉴自然语言处理的方法,将174个动作类别处理成具有相互关联意义的词向量,进而用于实际动作序列的表示,比较动作序列之间的相似度进一步减少冗余的动作类别,降低信息冗余度。本文的识别方法建立在已有的短动作识别方法的基础上,通过与实际生产应用相结合,探索了动作识别方法新的应用场景和使用方向。通过Sth V2数据集构建的复合动作序列数据集对动作序列分类识别方法进行测试实验,识别结果表明了,这一方法组合有较高的识别率。同时,本文介绍了如何进一步将动作序列类别识别的方法应用于实际生产线上的切碎机的动作序列识别,体现了方法的实际意义。