动作预测任务是计算机视觉领域的一个非常具有挑战性的课题,在智能视频监控、自动驾驶、人机交互等领域具有广阔的应用前景。与动作识别方法在动作执行完毕以后再进行分类不同,动作预测以仅包含动作开始部分的不完整视频为输入,希望能够在动作早期准确推测出动作的类别。随着动作的进行,视频会呈现出不同的运动特点,因此,动作预测的一个难点在于如何获取待预测视频的动作进展状态信息。为此,本文提出了一种基于多任务深度森林的动作预测方法,采用统一的框架处理动作类别预测和动作进展分析这两个相关任务。多任务深度森林是由多任务随机森林和传统随机森林组成的深度级联结构。与传统随机森林不同,多任务随机森林以同时标注了动作类别和动作进展状态的不完整视频为训练样本,构建动作进展状态分析和动作预测模型。同时采用随机森林和多任务随机森林可以增加分类器的多样性,提高多任务深度森林的识别能力。本文进一步提出了融合回归与分类的多任务深度森林,采用回归模型分析动作进展,采用分类模型识别动作类别。人的运动本质上是一个连续的过程,将动作进展分析建模为回归问题能够更好地表达动作的时序变化。此外,在深度森林的每一层级联结构中,将动作进展分析结果与类别识别结果相融合,构建了一种新的中层特征表示。为了验证本文方法的有效性,在UT-Interaction数据集和BIT-Interaction数据集上进行了大量实验,并对实验结果进行了深入分析和探讨。