随着研究人员对计算机视觉领域的研究越来越深入,其中因为涉及到复杂多变的语义和内容信息的视频行为识别是一个研究较为困难的课题,从而越来越受到相关研究者的关注。针对摄像头直接获取初始视频的视频行为识别,当前深度学习在主流的神经网络到达深层时可以获得较好的识别性能。但是,随着互联网和人工智能的发展,尽管互联网技术在人们学习、工作和生活等多个方面带来很多便捷之处,但面对计算机中实时获取到的视频等图像信息可能会无意泄露或者被不法分子窃取,这样很可能会导致用户个人隐私暴露而受到某种程度上的威胁。另外,针对一些居家环境等涉及到更多个人隐私的特别应用场景,人们也期望监控自身的录像内容得以保密,从而避免信息被外泄并带来不必要的经济损失。但是,目前的一些视频行为识别系统,比如涉及到更多个人隐私的居家环境下的视频行为识别系统可能不能很好地在隐私安全和识别准确度间达到权衡。由此可见,设计与实现一个在居家环境下的视觉隐私安全的视频行为识别系统是有一定的前沿价值和重大意义。为了解决家庭监控视频中存在的隐私泄露问题,同时考虑到三维卷积神经网络只是简单地使用固定数量的视频不变核,没有实现视频间的时间差异性,使其可能对视频多样性缺乏足够的表征能力。在此基础上,本文设计并实现了一种考虑隐私安全的基于计算机视觉的居家视频行为识别系统。该系统结合了压缩感知（Compressed Sensing,CS）理论和时序自适应网络（Temporal Adaptive Network,TANet）,先用压缩感知技术使居家行为视频获得所需要的“视觉屏蔽域”,即实现了对居家行为视频的隐私安全处理。随后,获取经过视觉屏蔽CS后视频的RGB视频帧和光流序列,将时序自适应模块（Temporal Adaptive Module,TAM）插入到二维深度残差网络（2D Deep Residual Network,2D Res Net）中形成时序自适应网络。TAM有一个两级自适应建模方案,是前后两个模块级联在一起组成的,它把视频序列中的特定时间信息转化成基于重要敏感的位置的重要度映射和基于不变的位置的聚合内核。在上述处理之后,将RGB视频帧输入经过微调的Res Net-50预训练模型和将带有时序信息的光流序列输入经过微调的TANet预训练模型分别重新进行训练和测试,最后将两个端到端网络的实验测试识别结果进行加权融合得出系统最终的识别准确率,经实验验证该系统可使经视觉屏蔽后的居家视频中的行为能得到有效的识别。