基于图像的人体行为识别是将计算机视觉和人工智能相结合实现人体行为识别的一种智能化技术，其已广泛应用于特殊人群监护、人机交互等领域，并已成为人工智能的研究热点之一。
　　目前，基于图像的人体行为识别技术的研究主要基于单分类器，通过优化特征信息、改进识别算法来实现。其虽然取得了很多研究进展，但在模型的通用性和准确率的提升方面仍存在研究瓶颈。单个分类器通常只针对训练好的几种行为的识别效果好，行为种类变化后需要重新调整参数进行模型训练，模型的通用性较差。同时，不同分类器的分类效果也可能存在较大不确定性。因此，利用不同分类结果具有互补性的特点提升图像行为识别准确率是一种切实可行的方法。该方法还能够对单个不确定结果进行推理和决策，具有一定的通用性。
　　本论文以基于图像的人体行为识别和数据融合决策方法为研究点，提出了一种基于骨骼关键点检测优化和多分类器融合决策相结合的人体行为识别系统，具体研究内容如下:
　　1.人体骨骼关键点检测过程中可能出现漏检和错检的情况，导致部分关键点没有对应的位置信息。本论文提出了一种人体关键点曲线拟合填充算法，该算法根据缺失点相邻两帧图像关键点的位置，利用二次函数对缺失点的位置信息进行曲线性拟合填充，使得缺失点的位置信息更接近于实际的数值，以便为下一步的特征提取和分类提供正确的数据支撑。
　　2.利用多个分类器的分类结果具有互补性这一特点，基于D-S证据理论，提出一种多分类器融合决策的tf.OpenPose-SNK-fd人体行为识别系统。该系统首先根据皮尔逊相关系数判断不同分类器结果之间的关联程度，然后利用兰式距离判定可靠性作为冲突数据的权重重新分配信任函数。最后利用D-S合成规则对所有数据进行融合，提升识别的准确率。
　　3.针对智慧监狱场景，确定监狱特定环境中的两种合作行为:递东西和搬东西，采集和建立合作行为数据集，并利用本论文所提的融合决策算法进行了合作行为识别的相关研究。
　　本论文以HMDB51公开数据集和自采数据集作为实验研究数据，实验结果表明，行为识别的准确率提升了约1.2％，证明了所提算法的有效性。本论文的研究成果，可应用于病人监护、智慧监狱等多种场景，具有一定的现实意义和应用价值。