跨越“语义鸿沟”,让机器完成像素到语义的映射,是计算机视觉研究的根本问题。而对其子领域人体行为识别（Human Action Recognition,HAR）的研究,因为广阔的应用前景,近年来逐渐成为热点,备受关注。本文针对目前行为识别方法的不足,提出一种基于OpenPose的人体行为识别方法和实时框架系统。利用骨架数据量少且能够保留行为关键信息的优点,本文对动作模型表示方法以及如何有效提高视频流的行为识别准确率两个问题进行研究。具体完成了以下几方面的工作:（1）设计了一种人体动作模型构建方法。包括数据规整化及特征设计方法。针对由于人体与摄像头距离和体型差异导致的识别精度下降的问题,本文提出了骨骼关节点数据规整化方法。同时为了充分获取人体行为特征信息,提出全量提取关节夹角距离和位置规整化方法。并通过实验验证方法的有效性。（2）提出动作分割算法（Action Segmentation Algorithm,ASA）。针对目前多帧视频流行为识别准确度较低、系统计算复杂度过高的问题,本文设计了动作分割算法进行优化,并在公开数据集中验证该算法有效性。一个完整的动作通常由起始动作、执行过程、结束动作组成。ASA的本质,是对多帧视频流的时空信息矩阵进行裁剪,得到一个完整动作的时空信息矩阵,剔除掉冗余视频帧数据,从而提高识别精度。（3）基于OpenPose的人体行为识别系统的开发。该系统基于上述研究内容和方法开发完成,由数据获取、动作分割、动作模型构建、Opencv绘图、神经网络构建识别共五个模块组成。目前能够实现基于数据集的人体动作标签的判定。本论文主要以KTH、HMDB51和Weizmann三个公开数据集作为测试数据,试验结果表明,人体动作模型构建方法能够充分地提取动作特征信息;动作分割算法可以有效的获取视频流中动作的时空信息矩阵,进一步提高识别准确率。本文的研究成果可应用于智慧安防、交通违章、游戏等领域,具有一定的现实意义和社会价值。