人体行为识别是医疗监护、安防监控、人机交互等诸多领域的研究热点。由于红外成像系统具备可持续工作、保护隐私等优点,因此基于红外成像的行为识别方法具有重要的研究意义和广阔的应用前景。考虑到跌倒常对人,尤其是老年人造成较为严重的伤害。于是,本文选择跌倒和易与跌倒相混淆的站到坐、坐到躺行为,以及站、坐、躺、走等常见行为作为研究对象。对包含这7类行为的红外信息进行连续帧拼接操作,构建了红外图像数据集。实际应用要求识别方法具有精度高、速度快的特点,然而现有方法未能达到要求。本文提出基于改进ResNet-18网络的识别方法和基于改进MobileNet V1网络的识别方法,取得了理想的识别效果。主要工作内容和研究成果如下:（1）构建红外图像采集系统并提出图像拼接方法。首先,分析主流的红外传感器摆放方式,制定了一种较为有利的摆放策略,由此构建红外图像采集系统;其次,采集包含7类行为的红外图像;最后,为了充分利用数据的时空联系,给后续识别提供便利,并简化识别模型,使处理更高效,本文将连续多帧图像组合为一张大图,实现从三维视频到二维图像的转变,为后续识别奠定了基础。（2）提出了基于改进ResNet-18网络的行为识别方法。传统的ResNet-18网络性能优异,在可见光图像识别上表现良好,但在红外图像识别中效果欠佳。本文分析行为识别任务的特点与红外图像的特性,提出一种改进ResNet-18网络。首先,设计多分支同构结构,替换原始的7×7卷积;其次,联合平均池化与最大池化操作,对池化层进行改进;最后,结合非对称卷积块构建多重残差结构,并利用改进ECA（Efficient Channel Attention）模块和CBAM（Convolutional Block Attention Module）的空间注意力模块,构建改进CBAM模块,对残差块进一步优化。实验结果表明,改进ResNet-18网络取得了99.96%的识别率,不但优于传统的ResNet-18网络,而且明显超过经典的红外图像识别网络,取得了良好的识别效果。（3）提出了基于改进MobileNet V1网络的行为识别方法。改进ResNet-18网络虽然取得了较为理想的识别效果,但是其识别时间较长且参数量多、所需计算量大,不利于实际的工程应用。本文选择轻量化的MobileNet V1网络作为基础模型,针对该网络未能较好关注人体形态特征的问题,设计高效空间注意力（Efficient Spatial Attention,ESA）模块,以构建改进MobileNet V1网络。实验结果表明,该网络识别率达到99.83%,明显优于MobileNet V1网络;与改进ResNet-18网络相比,在识别精度几乎不变的情况下,大幅降低了运行时间、参数量与计算量,取得了优异的识别效果。