洗车行为识别是复杂场景下人体行为识别的一个分支,目前简单场景下的人体简单动作的识别已基本得到解决,而复杂场景下的行为识别仍面临很多困难。洗车行中摄像头的特殊角度拍摄人体动作轮廓不分明以及汽车、工人频繁移动造成的“鬼影区域”都使得对洗车行为的识别更加困难。当前传统的行为识别算法并不能适应洗车行这种特殊环境,针对洗车行为识别,本文提出了一种基于多核多示例的学习算法,以提高洗车行环境下洗车工人行为识别的准确率。本文采用了改进的ViBe背景差分法对运动目标实时检测来解决消除“鬼影区域”问题,采用HOG-LBP特征提取算法来应对人体动作轮廓不分明的问题。识别算法采用多核多示例学习算法,该算法将多核支持向量机与多示例学习算法有机结合,能够有效的处理提取到的HOG-LBP融合特征,同时也提高了识别算法的学习能力,进一步提高洗车行为识别的准确率。实验证明,多核多示例学习算法在实验构建的洗车行为数据集上,与传统的行为识别算法相比,其识别率有所提高。本文中的算法是针对洗车行环境提出的,也同样适用于类似洗车行环境的复杂场景下的行为识别问题。