随着科技飞速发展,信息技术不断跨越,高质量的人类生活对拍摄视频的需求更大、传输视频的速度要求更快、存储视频的空间需求更多,爆炸式增长视频数据需要行之有效的管理、分析和处理的方法。视频理解顺应时代的需求应运而生。视频理解通过智能技术,自动地对视频内容进行识别和解析。视频理解主要涉及三大方面:动作识别（Action Recognition）、时序动作定位（Temporal Action Localization）和视频Embedding,其核心是动作识别。人类对客观世界的感知是多模态的,主要包括:视觉、听觉、触觉等,形成丰富多彩动人场景。多模态视频比单模态更贴近人们真实感知。因此,多模态的视频理解比单模态的视频理解的研究具有更大的理论意义和实际应用价值。本文引入了一个新颖的组合动作设置,对IKEA ASM数据集和LEMMA数据集进行重新组织。建立了基于多视角特征融合的组合动作识别模型和融合位置信息的组合动作识别模型,研究了组合动作识别问题。实验证明了本文模型的有效性。本文主要研究内容如下:1、引入了新颖的组合动作设置。在设置中,保证动词和名词的组合在训练集与测试集中不重叠。对IKEA ASM数据集和LEMMA数据集进行处理并重组,具体包括先对数据集中的视频进行抽帧,对抽帧的图片进行格式转换以及缩放,再按照组合设置对数据集进行重新组织,重新划分测试集和训练集,为模型证明奠定基础。2、提出了多视角特征融合的组合动作识别模型。（1）使用建立在Res Net-50上的三维卷积网络作为模型的主干,以提取时间-空间表征。为了更有效地融合多视图特征,使用交叉注意力机制。（2）使用每个分支的CLS分类标记作为代理,在其他分支的patch tokens之间交换信息。在将各自分支的抽象信息与另一分支的不同信息融合后,CLS分类令牌与自己的patch tokens进行交互,将学到的信息传递给patch tokens,从而达到融合特征的效果。（3）通过平均池化层连接一个全连接层实现动作识别任务。实验验证了模型的有效性。3、提出了融合位置信息的组合动作识别模型。（1）利用物体检测方法中隐含的自上而下的结构来引导视频模型学习表征,从而捕捉到复杂的人类与物体交互的动态表征。（2）采用建立在Res Net-50上的TSM作为模型的主干。Ro IAlign在最后一个卷积层之上为每个实例提取基于区域的特征,其大小为3×3。将外观特征与位置特征串联成基本的联合特征。（3）通过平均池化层连接一个全连接层进行动作识别。实验证明了模型的有效性。