人体行为识别是机器视觉领域内的一个热门研究方向,基于视频的人体行为识别是近些年研究热点之一,其在诸如视频监控、人机交互、行为分析等方面有着广阔的应用前景。本文对动态视频的人体行为识别进行了深入研究,针对视频的稳定问题,改进了稳定视频的Steady Flow算法,并提出自适应多路径平滑算法,另外通过三种深度学习网络进行视频中人体检测,去除视频的背景干扰;在此基础上,研究了特征的优化,提出了特征正偏态分布优化算法和基于特征正偏态分布的行为识别方法;最后研究了一种新的深度学习网络模型,并构建了深度学习网络实现人体行为识别。论文主要研究如下:1、由于视频的不稳定性会对行为识别产生干扰,通过对提取视频运动特征的Steady Flow算法和对视频图像扭曲变换的路径平滑(Path Optimization)算法进行研究,提出在Steady Flow算法中使用改进FAST特征点,并对路径平滑算法进行改进,提出了自适应多路径平滑算法。针对行为识别中的视频场景运动与人体背景干扰问题,进行了背景固定并训练了三种人体检测网络以检测视频中人体。2、针对行为特征的冗余问题,通过研究特征的分布特点,提出了特征正偏态分布的优化算法,并依据所提出的优化算法提出基于特征正偏态分布的行为识别方法,方法使用密集轨迹(DT,Dense Trajectories)特征与时空兴趣点(STIP,Space-time Interest Points)特征两种特征,并结合特征正偏态分布优化、Fisher Vector、SVM分类器、特征融合完成行为识别,在实验时,使用所提出的识别方法在经过稳定与人体检测的数据集上进行实验,识别准确率得到提高。3、通过研究3D卷积,残差网络,稠密网络,残差稠密块四种网络模型与结构,提出了3D卷积残差稠密块(C3D-RDB,Convolutional 3D Residual Dense Block),C3DRDB结合了残差与稠密两种网络结构并且可进行3D卷积以充分提取与利用视频时空特征。进一步,在C3D-RDB的基础上构建了3D卷积残差稠密网(C3D-RDN,Convolutional3D Residual Dense Net),并在实验中使用C3D-RDN进行行为识别,取得了较好的效果。