互联网技术的飞快发展使得每一个人都可以成为网络数据的贡献者。网络数据不仅更加贴近真实的人体行为场景,而且含有非常丰富的数据。如何利用这些庞杂的网络数据来实现人体行为的有效、自动的识别成为现在智能视频监控、视频检索与存储、智能人机交互等应用的热点问题。传统的行为识别方法只有在训练数据充足的情况下才能训练出更具鲁棒性的分类模型。然而现实世界中的视频包含各种各样的行为动作,一种新的行为动作在训练样本较少的情况下无法获得良好的分类模型。随着多媒体搜索引擎的日益成熟,我们可以从网络上获取低成本的标注数据成为可能,大量的网络数据的引入可以有效的解决这个问题。不仅如此,大量的网络数据还可以作为辅助数据来增强目标域的性能。通过观察,使用动作名称查询的网络图像通常描述一个具有判别能力的动作场景,以此可以捕捉并突出显示视频中感兴趣的动作和事件。所以这是一个证明网络图像可以增强行为识别的有力证据。显然在视频中提供的时间信息和图像中描绘的具有判别能力场景之间存在互补的优势。本文提出一种利用大量的网络图像作为辅助数据来增强行为识别的方法。具体框架是:在网络上获取大量的相关行为的网络图像,然后将网络图像中获取到的行为特征表示与目标视频中获取到的行为特征表示相结合后放入支持向量机中训练分类。由于网络数据和目标域之间具有不同的特征分布,为了有效的利用网络图像特征,引入了跨域字典学习算法来处理网络图像,以此来解决网络图像域和视频域之间存在的域差异问题。由于网络图像可以轻松的在网络上获取,所以该方法几乎零成本的增强行为识别。根据在KTH和YouTube两个数据集上的实验结果,可以看出该方法能有效的提高行为识别的准确率。