人体行为识别在人机交互、视频监控、虚拟现实等多个领域有着广泛的应用,是计算机视觉领域的重要分支。随着深度学习的发展,人体行为识别算法的性能不断提升,智能化程度不断加强。本文对行为识别算法进行深入的研究,针对常见的行为识别算法计算量比较大,自然场景下拍摄的视频内容丰富,冗余度高,无法直接使用行为识别算法等问题,提出了一种非常高效的、两阶段的行为识别算法,该行为识别算法不仅在公共数据集上取得了较高的性能,而且可以成功应用于自然场景。本文的主要贡献如下:（1）结合骨骼数据与视频数据两者的优点,本文提出了一个新的“基于双流网络的RGB-D人体行为识别算法”（SV-GCN）能够同时使用视频和骨架数据,使得两类算法相互弥补,充分发挥各自优点。该网络可以被描述为以两种不同数据工作的双流架构,该模型包括（i）基于空洞卷积的快慢路径网络处理视频数据和（ii）基于图卷积的全局特征增强的人体动作识别算法处理骨骼数据。在两个基准数据集上与以前的行为识别方法相比,该模型取得了最新的性能,验证了在行为识别任务中的有效性。（2）针对视频摘要领域,提出了“基于全卷积网络和注意力机制的视频摘要算法”,该算法是由编码器、注意力机制、解码器组成,其中编码器是经典的卷积网络（比如Googlenet、VGG16等）,注意力机制用于获取视频帧之间的长距离依赖关系并能根据视频帧的重要性分配不同的权重,解码器是双层的反转卷积,损失函数采用能够处理样本不平衡的Focal loss。在基准数据集TVSum上的实验结果表明,该算法以较大的优势超过DSN、FCSN等方法。（3）针对常见行为识别算法无法在真实场景使用的缺陷,提出了一种“基于图卷积的RGB-D人体识别算法”（AFS-GCN）,该算法由基于全卷积网络和注意力机制的关键帧提取算法与基于图卷积的局部特征增强的人体动作识别算法组成。大量实验证明,AFS-GCN不仅解决了当前人体行为识别算法使用传统的随机采样法获取视频关键帧的问题,还弥补了行为识别算法无法应对自然场景的缺陷。