现代社会中,人们对安全隐私更为看重,对独居老人的看护系统也愈加智能化与人性化,深度学习算法的融入也使得其市场应用前景更为广阔。看护系统中人体异常行为识别算法也同时成为了大量国内外学者的热门研究内容。为了提升老人看护系统的精确性且同时能够保障用户的隐私安全,本文提出了一种基于红外光场景的家庭看护的异常行为智能识别方案,此方案由人体目标提取处理、训练行为识别网络以及异常行为判别等环节组成。在人体目标提取处理方面,根据红外家庭看护图像的特点,设计了改进的基于U-net的人体目标提取算法,该算法在原有网络结构中加入空洞卷积和改进卷积层的激活函数,以得到分割更清晰、分离更彻底以及阴影较少的人体目标图像。实验结果表明,改进的算法所需时间成本更少,在红外视频组中,其人体目标的检出率达到了88.14%,漏检率仅为3.23%。在异常行为识别网络方面,为了充分提取网络中卷积特征以及学习红外视频中的行为特征,设计了改进的基于三维卷积神经网络（C3D）的异常行为识别算法。对前三层卷积层结构做卷积分解,实现轻量化训练;在后两层卷积层结构中,加深网络结构并引入快捷连接,加强网络的红外人物弱特征提取能力。在公开数据集与自制红外数据集上分别进行实验,结果证明了改进的算法可以充分利用视频中的行为特征,可以增强网络对时间流信息的学习能力,且识别准确率达到了93.4%,较原C3D网络相比提高了4.3%。最后,本文实现了家庭看护中人体异常行为的智能识别系统,整体系统算法是由改进的U-net算法与改进的C3D算法串联而成,并基于PyQt5技术开发了家庭看护中行为识别系统的软件客户端,以便于可视化看护。在系统算法验证实验中,相比于无人体目标提取处理的看护系统算法,本文提出的系统算法的训练所需时间减少了6.5h,识别准确率提高了2.4%。