随着互联网技术、信息技术和传感器技术的快速发展,图像、视频、图等数据日益增长,并广泛存在于计算机视觉和机器学习等领域。这些数据蕴含了丰富的信息,挖掘其有用信息,对视频检测、视频跟踪和行为识别等领域具有重要的理论和实用价值。随着深度学习等数据驱动技术的发展,卷积神经网络和图卷积网络等深度模型能够有效挖掘数据的辨别性特征,具有模型与数据匹配度高等优点,是数据分析的有效手段。作为计算机视觉的重要课题之一,人体行为识别在安全检测、视频监控以及区域安防等领域具有广泛的应用,其方法主要包括基于视频序列的行为识别和基于人体骨架序列的行为识别等。其中,人体骨架序列是典型的图数据,对其进行有效建模可为图数据分析提供良好的基础。传统方法通常基于预提取特征,构建分类器对其识别,这致使模型与数据匹配度低,且对复杂行为缺乏有效的特征建模方法。如何对人体骨架序列特征进行有效建模,以挖掘其有用信息是人体骨架行为识别需要解决的关键科学和技术问题,具有重要的理论意义和应用价值。本文以模式识别理论和深度学习技术为基础,重点研究利用图卷积网络对人体骨架序列的深度特征建模时存在的一些问题,提出了相应的解决方法。论文的主要研究内容和成果如下:1.针对人体骨架序列深度特征建模中,因关节节点遮挡引起的模型鲁棒性差的问题,提出一种空间区域失活网络。该方法首先基于视频序列提取人体骨架序列,并构建空时图。然后,设计一种空间区域失活单元,可随机失活人体关节节点。最后,利用图卷积网络提取特征,进而识别行为。该方法较好地解决了人体骨架序列的深度特征建模中的关节节点遮挡问题,提高了算法的鲁棒性。2.针对因人体运动间隔变化导致人体骨架行为识别模型适应能力差的问题,提出一种变间隔时域编码网络。该方法首先设计一种变间隔时域采样单元,对人体骨架序列进行随机采样。然后,利用图卷积网络对采样获得的骨架序列提取特征。该方法能够模拟实际场景中的行为变速情形,可有效提高模型的识别性能,同时,也较好地解决了图数据模型过拟合问题。3.针对因骨架序列的视角变化导致的人体骨架序列行为识别模型识别性能降低的问题,提出一种多视角变换网络。该方法通过构建多视角变换单元对人体骨架序列进行视角变换,并利用图卷积网络对其输出进行编码,有效提高了模型的识别性能,增强了模型的泛化能力。本文研究成果为利用图卷积网络对人体骨架序列深度特征建模与行为识别提供了新思路和新方法,为图数据的深度特征挖掘提供了技术支撑。