以人类动作分析为核心的视频分析技术是智能监控,图像/视频自动标注和智能人机交互等诸多领域中的重要技术,有着广泛的应用场景和研究价值。当前人类动作识别技术多集中在固定视角下的动作识别,然而,在现实应用中,摄像头在部署过程中会出现视角复杂多变的情况,在某些人与移动机器人交互的场景中,甚至可能出现相机不断移动的情况,这类型的问题在本文统一称之为自由视点动作识别问题。当前的工作大多只是在单一视角或者固定的多视角样本下进行了建模,而忽略了对移动视角样本的建模,并且,当前工作的模型大多直接由数据驱动,尝试从数据中挖掘不同视角样本下的共同动作类别模式,因此对数据集的数据量有着更大的需求。这些方法都没有考虑到对相机视点变化的建模。当前现存的大规模行为数据分析集只有固定视点（包括单视角和多视角）的样本,尚不存在移动视点的大规模数据集。为了验证本文算法的性能,在本研究工作中,采集了一个大规模的自由视点行为分析数据集,并且在开源社区进行了公开,具有较大的研究价值,可用于后续的一系列研究。本文为解决自由视角动作识别问题,设计了三种基于视角估计的自由视点动作识别模型。首先为了解决大尺度视角变化范围内的动作识别问题,本文设计了视角指引卷积网络模型（VG-CNN）,该模型可以视为是预测样本的视角组,将其引入到动作识别模型中。通过这种隐式地利用了视角估计信息的方法,可以实现大尺度视角变化范围内的动作识别。本文为了解决人体活动过程中因自遮挡导致的噪声,进而引起的动作识别错误问题,设计了视角对注意力迁移网络模型（PairANT）。PairANT模型也可以视为隐式地利用了样本的视角标签,通过自注意机制去提取视角成对样本之间的共同特征,借助参考视角更为鲁棒的动作信息去指导自由视点样本进行自遮挡噪声的识别与屏蔽,以获得更鲁棒的多视角动作特征表达。本文为了显式地对自由视点进行估计,设计了基于人体姿态指引的Shift图卷积网络（PG-SGCN）。PG-SGCN模型通过视频人体动作捕捉技术,对RGB视频中的人体三维朝向信息进行了估计,并且通过将人体朝向信息引入到Shift-GCN模型中,实现了在不需要人工视角标注的情况下的自由视点动作识别理解。同时,在本文中还设计了一种分析不同视角和不同动作类别下,人体不同关节所带有动作决策信息量的方法,这种方法基于PG-SGCN注意力掩膜实现,可以为后续模型的改进提供一定的依据。