如今生活中充斥着大量的视频记录,如何从视频中获取和分析信息是一大重要课题,作为视频内容理解的一个基础课题,视频人体动作识别一直是学者们研究的热点,它拥有着巨大的应用前景。而随着近年来深度学习的不断成熟,使用神经网络来研究动作识别开始成为了主流。本文主要研究的内容是使用深度学习来识别视频人体动作,并先后提出了两个算法,基于训练图CNN特征的视频人体动作识别算法以及基于注意力模型的视频人体动作识别算法。本文的主要创新工作如下:1.本文提出了基于训练图CNN特征的视频人体动作识别算法。算法有效地利用了图像得到的训练图CNN特征,提供了一种训练图CNN特征提取和加工策略,并讨论了所提出的算法框架中每个流程,包括CNN模型的选择与优化、CNN隐层的选择与优化、特征矢量化和降维优化方法以及LSTM模型。本算法所有的设计选择,都是基于Image Net图像数据库以及HMDB-51动作识别视频库和UCF101动作识别数据集的实验分析,并且提供了与其他基于CNN特征的算法的完整实验对比和分析。此外,除了Google Net模型和VGGNet模型以外,算法还对最新的Res Net模型做了研究。实验结果表明,方法方法在性能上具有优势,分别在HMDB-51和UCF101上达到了42.87%和80.14%的准确率,证明了本文算法模型优于其他使用图像RGB数据的深度学习算法,并且在运算性能和训练速度上都有所提升;2.本文提出了基于注意力模型的视频人体动作识别算法。本算法针对基于训练图CNN特征的视频人体动作识别算法做了改进,并使用了注意力模型来替代特征矢量化,通过聚焦图像中的关键区域,从而进一步地提升了识别的准确率,此外算法还针对注意力模型的计算开销问题做了改进。实验结果表明,本算法能够提升动作识别准确率,并且可以正确地识别一些较难区分的场景。