监控系统已经广泛地应用在我们的日常生活中,极大地保障了人们生命和财产的安全。随着科技进步,其发展也越来越趋向于智能化。固定摄像头的监控往往容易存在死角,而小型无人机由于其灵活性,成为监控系统中一个很好的补充,近年来在安防监控领域发挥着越来越重要的作用。人体行为识别是视频理解中的一项关键技术。考虑到无人机平台的算力有限、识别速度要求,以及无人机航拍视频中人体动作的特点,本文对无人机航拍视频中的人体行为识别方法重点进行研究,论文主要工作如下:（1）针对无人机平台算力的局限性,提出了一种轻量化人体行为识别模型（LCNS）。首先采用稀疏采样避免冗余的计算,模型的特征提取网络选取了Mobile Net V3,有效减少参数量和计算量。传统的TSN模型直接聚合不同帧的信息,无法利用帧间的时序信息,因此我们利用自注意力机制,建模不同帧之间的时序关系。此外,针对训练样本难易程度不一致问题,采用Focal Loss对损失函数进行改进,对简单样本降权,使模型在训练过程中更关注困难样本。（2）针对无人机航拍视频中人体尺寸较小、运动幅度不明显的特点,在LCNS模型基础上引入光流导向特征。鉴于传统光流提取十分耗时,LCNS模型的输入仅采用了RGB图像,缺乏对运动信息的理解。考虑到光流强大的运动信息提取能力,在兼顾识别速度的基础上,本文引入了光流导向特征来提升识别准确度。光流导向特征采用网络端到端学习,无需手动提取。（3）考虑到轻量化特征提取网络的参数有限,特征提取能力受限,引入知识蒸馏对模型进行进一步优化。教师网络选取了在Kinetics数据集上预训练的I3D模型,首先训练教师网络,然后在训练过程中让学生网络拟合教师网络的输出结果,使得教师网络中的隐藏知识传递给学生网络。在不增加学生网络参数量和计算量的情况下,进一步提升行为识别模型的性能。为了验证本文模型在无人机视频下的行为识别效果,我们自主采集标注,建立了无人机视频行为识别数据集。最后,本文在无人机行为识别数据集以及开源的标准行为识别数据集HMDB51和UCF 101上进行充分的实验和案例分析,验证了本文提出的轻量化人体行为方法的优越性。实验表明,模型在UAV、HMDB 51、UCF 101数据集中准确率分别达到了88.81%、55.78%、87.19%,VPS达到了119,实现了实时的行为识别。