在如今飞速发展的信息时代,基于计算机视觉的人体行为识别(Human Activity Recognition,HAR)技术被广泛应用在智能家居、智慧医疗、现代化监狱和虚拟现实等领域。特别是近年来,随着卷积神经网络(Convolutional Neural Networks,CNN)和循环神经网络(Recurrent NeuralNetworks,RNN)等深度学习技术的发展,HAR技术在特征特征和识别准确率等方面取得了很大突破,显示出巨大的应用前景。然而基于计算机视觉的HAR技术仍面临许多问题和挑战。例如,目前HAR技术的研究大多为单人HAR的研究,对多人HAR的研究较少,而实际生活中多人行为或群体行为所占比也很大;现有的多人HAR系统框架能够完成识别任务,但是步骤繁琐,效率较低,耗费时间长;多人HAR在人体检测、外部特征提取和识别准确率等方面,也存在很多问题亟待改进。为了解决上述问题,本论文对多人HAR的系统框架、特征提取方法、分类识别和结果可视化展示等方面进行了深入研究,主要完成了以下几方面工作:(1)多人行为识别系统的优化及骨骼点提取方法的研究。针对目前多人行为识别系统不完善、图像中人数难以确定等问题,提出一种基于骨骼关键点检测的多人行为识别系统,并提出一种基于OpenPose姿态估计算法的骨骼关键点提取方法。(2)多人姿态特征提取方法的研究。结合骨骼关键点数据的特点,提取人体姿态的三个有效特征,同时为准确描述特征之间的关系,提出基于帧窗口矩阵的特征描述方法,并在公开数据集上进行仿真实验,实验结果表明该方法能有效提高行为识别的准确率,具有很好的鲁棒性和稳定性。(3)二重分类识别的研究及可视化显示界面的设计。针对提出的多人行为识别系统,为进一步提高行为识别准确率,将支持向量机(Support Vector Machine,SVM)分类器与朴素贝叶斯网络(Naive Bayes,NB)结合形成二重分类器进行多人HAR的研究,并在公开数据集上进行仿真实验,实验结果表明该方法能进一步提高行为的识别准确率。同时,为更清晰地显示所提系统的识别结果,基于Python语言设计了一种可视化显示界面,对最终的识别结果进行展示。本论文主要以UT-Interaction和HMDB51两个公开数据集作为仿真输入,实验结果表明:基于OpenPose骨骼关键点的提取方法可以很好地检测出图像中的人数并提取有用的人体骨骼关键点;基于帧窗口矩阵的特征描述方法能有效提取多人的姿态特征;二重分类方法可以进一步提高行为识别准确率;可视化显示界面能更清晰地展示多人HAR系统的结果。本论文的研究成果可应用于智慧课堂、现代化监狱、虚拟现实等实际领域,具有一定的现实意义和社会价值。