行为识别是人工智能以及计算机视觉领域中一个重要的研究课题。在日常生活和工作中,具有行为识别能力的智能设备在视频检索、视频监控、人机交互等场景中发挥着重要作用。现有的行为识别算法普遍存在运行速度缓慢的问题,在实际应用中不能达到满意的实时效果。针对此问题本文提出了基于光流导向特征的行为识别算法,主要工作如下:针对提取光流特征的速度缓慢,很难达到满意实时效果的问题,本文使用光流导向特征(Optical Flow guided Feature,OFF)作为表征运动信息的介质提出了OFF特征差分提取算法。该算法首先使用Sobel算子提取空间特征,然后通过差分运算获得视频帧之间的时序信息,最后将空间特征和时间特征进行融合得到所需要的OFF特征。本文利用稀疏采样策略和提出的算法构建了基于OFF特征差分提取算法的行为识别网络(Action Recognition Network based on differential extraction algorithm,即ARNDEA网络)。通过实验对该网络中的OFF特征子网络的位置、学习参数以及迭代次数进行了优化,并探究了网络中空间特征和时间特征的融合方式以及OFF特征子网络的堆积方式。实验结果表明经过优化后的网络在测试数据集上得到了更好的准确率和速度。根据搭建的ARNDEA网络,本文实现了一套端到端的行为识别系统。该系统只需要将待测的样本输入到已训练的网络,即可快速获得相应样本的动作行为标签,且可以达到实时的处理效果。最后,本文对提出的ARNDEA网络进行了实验验证,其在UCF-101和HMDB-51数据集上分别达到了95.3%和70.2%的准确率以及120fps左右的识别速度。综上所述,本文提出的方法在行为识别的有效性和实时性方面均达到了较好的效果。