行为识别是计算机视觉领域中的一个重要研究方向,其有着很广泛的应用场景,包括行为分析、视频检索、人机互动、游戏娱乐等。现有的基于视频的行为识别模型算法还存在两个问题:1)视频是由有序的图像组成,但视频的时间维度和空间维度的重要性并不相等,如果将空间特征和时序特征以相等的比例放入到分类器中对进行分类,这就会导致时空特征不平衡的问题,从而影响分类结果;2)尽管已有很多方案对视频时序特征的提取可以达到很精细的程度,但是仍缺乏对行为的视觉节奏的区分。针对这两个问题,本文提出了基于三维卷积时空特征金字塔网络,该网络通过采用时空特征金字塔扩大空间维度与时间维度的感受野,以解决模型缺乏对行为的视觉节奏区分的问题;通过设计的多层特征提取模块保证输入到分类器中的时空特征相对均衡,以解决视频的时空特征不平衡问题。在实验部分,本文在公共数据集Kinetics-400上对基于三维卷积时空特征金字塔网络进行了实验及分析,其最高达到了76.68%的top-1准确率,93.18%的top-5准确率,与其他方法对比有着显著的优势。人工智能算法模型若要应用于实际场景,大多需要将模型部署到有限资源的设备上,而模型规模过大会导致其部署困难,这也是深度学习领域普遍存在的一个问题。因此,模型的压缩显得尤为重要。为了优化模型,本文将知识蒸馏技术引入到基于视频的行为识别算法上,以进行模型压缩。针对行为识别任务的特殊性,本文设计了多层特征蒸馏模块,该模块主要将特征在时间维度和空间维度上进行划分,分别对其进行对比分析,以保证尽可能使得学生模型每一层的输出特征接近对应教师模型的输出特征。其核心是时空特征转移损失函数,它充分考虑了知识蒸馏中对视频时序信息和空间信息的转移。在公共数据集UCF101的实验中,本文使用不同层的3D Resnet作为特征提取网络,结果显示,采用多层特征蒸馏模块进行训练,不仅可以对模型的训练效率有所提升,还能对模型的识别准确率有所提升,最高可达4.4%。