基于计算机视觉领域的人体行为识别算法是近些年来的研究热点之一,该技术在智能监控、人机交互、虚拟现实和运动分析等方面具有广泛的应用。当前,单人行为识别已经取得了一系列的研究成果,交互行为识别由于交互动作整体与个体特征的选择,人体的非钢特性和特征的高维复杂性等问题的存在,仍然是当前研究的一个难点。基于此,本文围绕如何在人体交互动作中提取人与人之间交互的区别性特征,建立多个目标之间的复杂交互模型展开了研究,重点针对交互行为特征提取以及人体交互行为的识别算法展开分析研究,提出了一些改进的方法和措施。本文研究的主要内容如下:1、在基于人体交互行为的特征提取研究中,针对交互动作整体与个体特征的选择、人体的非刚性和特征的复杂高维性问题,提出了一种多特征融合算法。该方法包括特征提取和特征融合两部分。在特征提取部分,对视频帧图像分别提取时空兴趣点和全局光流,利用特征直方图描述子对其进行处理,形成局部时空特征三维梯度方向直方图(3D-HOG)和全局特征光流方向直方图(HOF);在特征融合部分,由于特征的高维性,首先利用词袋模型进行降维,然后将局部时空特征和全局特征分别通过反向传播(BP)神经网络得到概率矩阵,进行加权融合。2、在基于人体交互行为的识别算法中,提出了一种结合时间关系的改进高斯BP神经网络交互行为识别算法。该方法主要包括融合时间关系的特征信息优化与改进高斯BP神经网络两部分。在融合时间关系的特征信息优化阶段,考虑到交互动作的时间相关性,引入循环神经网络对输入进行处理,获得时间上的关系。在改进高斯BP神经网络部分,考虑到交互行为进行到不同的阶段会提供的判别信息量不同,其分布规律与高斯函数的分布具有相似性,因此提出改进高斯BP神经网络进行分类。本文利用公共的UT-Interaction交互动作数据库进行验证,实验结果表明,该算法能够有效的提高交互行为识别的准确性。