人物行为分析技术是人工智能中计算机视觉领域的重要研究方向。深度学习因其具有学习能力的特点被广泛应用于人物行为分析中。然而目前人物行为分析技术中仍存在人物之间交互特征利用不充分及复杂背景下人物行为对象不明确或缺失问题有待解决。针对这些难点,本文对基于深度学习的人物行为分析关键技术进行研究,具体内容如下:（1）针对人物之间交互特征信息利用不充分的问题,本文提出了基于交互特征生成算法的双流网络。该双流网络分别提取了人物特征信息和人物之间交互特征信息。在提取人物特征信息时,考虑到ResNeXt网络具有强大的特征表达能力,利用该网络对图像中人物特征进行提取;在提取人物之间交互特征信息时,利用图卷积神经网络的特征推理能力提出交互特征生成算法。将人和物体的特征作为节点、人物之间的交互行为关系作为边构建图模型。根据交互特征生成算法将输入的图模型通过遍历节点的方式进行交互关系更新,并在更新过程中产生新的交互特征。最后将人物特征信息和人物交互特征信息进行特征融合并送入分类网络进行行为分析,实现对图像中人物特征信息和人物之间交互特征信息的充分利用。（2）针对复杂背景下人物行为对象不明确或缺失问题,本文在已构建的双流网络上进行研究,对人物特征提取网络进行改进,提出基于交互特征生成和关键人物增强的人物行为分析方法。针对复杂背景下人物行为对象缺失问题,提出优化区域快速生成卷积神经网络（Optimized Faster Region Convolutional Neural Network,OFR-CNN）网络,解决了小目标及被遮挡目标的难检测问题。该网络利用多尺度特征优化算法对Faster R-CNN网络进行优化。对ResNeXt特征提取网络中的浅层特征进行最大值池化,深层特征进行反卷积,将特征层进行融合得到最终图像特征。针对复杂背景下人物行为对象不明确问题,本文提出关键人物增强算法,解决了分析过程中目标人物对的模糊问题。利用关键人物增强算法对已获取的人物特征目标框进行空间位置注意力增强,遍历图像目标找到目标人物对形成权值矩阵,对已获得的图像特征权值分配,得到最终识别所需要的特征信息。将改进网络得到的人物特征与交互生成网络得到的人物之间交互特征进行特征融合得到最终特征信息,将其送入分类网络得到人物行为分析结果。本文在HICO-DET数据集和V-COCO数据集上对提出的基于交互特征生成和关键人物增强的人物行为分析方法进行实验验证。结果表明,对比现有的人物行为分析技术,本文方法在两个数据库上的人物行为分析准确率都有了明显的提升。