目前简单场景下的人体动作识别问题已经基本解决,但大多数的人体动作识别方法只适用于简单场景,应用于复杂场景中时由于受到杂乱背景等因素的影响,很难正确检测到人体动作特征,识别效果急剧下降,复杂场景下的人体动作识别成为了一个亟待解决的难题。为了解决噪声干扰下的人体动作特征检测问题,本文设计了一种抗噪的多尺度形态学边缘检测方法,采用一种抗噪的形态学边缘检测算法检测图像边缘特征,选用小波融合方法提高融合效果,当图像被噪声污染时,该方法依然能够有效的抑制噪声对检测结果的影响,检测出较为准确的边缘图像。为了解决杂乱背景以及摄像头运动场景下的人体动作特征检测问题,本文首先采用Kadir提出的显著点检测方法检测空域兴趣点。然后,对检测到的兴趣点进行背景兴趣点抑制,降低杂乱背景对兴趣点检测的影响。最后,在时域上使用1D Gabor滤波器滤波,获取时空兴趣点,并通过时域约束降低摄像机移动对兴趣点检测的影响。本文在BOV模型基础上采用稀疏编码方法来避免k-mean方法的缺点,构造更具有判别性的码书,并通过引入多核支持向量数据描述分类方法进一步提高分类效果。最后,采用YouTube、UCF和Hollywood这3个包含复杂场景的人体动作数据集对本文提出的算法进行了评估,为了方便比较分类效果,增加了在KTH数据集上的实验。通过与当前常用的一些方法的特征检测效果和动作识别效果进行比较分析,证实了本文提出的特征检测方法在噪声干扰、杂乱背景和摄像机移动情况下误检测率较低,检测效果好。本文改进的人体动作分类方法能有效的提高复杂场景下的人体动作识别率。