随着深度学习及与其相关的动作识别技术的兴起,电子设备在此过程中逐渐展现出其独特的功能性。目前,这已成为计算机视觉的主流研究方向之一,并且在人机交互领域彰显出巨大的潜力。然而,在实现过程中,可能会遇到与诸如计算代价和效率等相关的各项挑战。同时,人体动作识别又是一个极为复杂的领域,因为图像序列可能会包含一系列不属于特定动作的多样化特征。为了解决上述问题,本研究提出了一种基于DTA技术（Detect、Track、Analyze）的创新性实现,用以满足与人体动作识别和定位相关的应用需求。受到当前流行的yolov3、deep-sort以及3D卷积神经网络的启发,本研究提出了一种新颖的体系架构。在该架构中,yolov3将与darknet-53一起使用以根据输入图像预测人的边框,并利用deep-sort算法来进一步实现人的发现与跟踪。最后,KTH数据集的ROI（Region of Interest）版本将被用于训练3D卷积神经网络模型,从而在追踪序列中识别人的动作特征。此外,本研究还将广泛讨论目标检测、目标跟踪以及人体动作识别等领域的传统与当下流行方法。为了对提出的方法进行彻底的测试,本研究设计并完成了多种不同的实验。本研究提出的模型是一种基于DTA框架的紧凑版本,以应用于人体动作的相关识别。该模型仅需使用单台摄像机,而无需多传感器之间的相互配合。具体而言,本模型将使用多个人类动作视频进行训练,之后,其跟踪的图片序列转发给训练后的神经网络,以预测具体的动作行为。本研究使用KTH训练集对模型进行了训练和测试,实验结果表明,本研究提出模型的估计误差和准确性均优于其它传统方法。特别地,由于本模型的逻辑较为简洁,同时拥有较高的计算效率,任何配备了摄像机和适当硬件的现代设备均可以采用这种方式进行人体动作的识别。结果表明,本研究所提出的方法在各个方面都优于当下的流行算法。视觉分析系统能够在10和13 FPS之间运行,而动作识别模型的精度为97.31%。