人体动作识别技术是利用计算机模型识别出视频中人的动作的技术。近年来,由于动作识别技术在视频监控以及短视频审核等领域的广泛应用而受到了越来越多的关注。视频包含了丰富的视觉表征,有效的空间特征和时间特征对动作识别任务至关重要。目前,双流卷积网络在动作识别任务上取得了巨大的成功。然而,此类方法并没有考虑到空间动作细节信息的丢失、时空特征的提取,以及由于背景杂乱和相机抖动而造成光流噪音的问题。针对以上问题,本文的主要研究工作如下:本文利用基于编码-解码器的堆叠空间网络在高级语义标签的监督下获取了多个层次及分辨率的空间特征,并以端到端的方式通过堆叠空间融合层聚合了多层深度特征来减少空间动作信息的丢失。在此基础上,本文提出了基于层次化深度特征融合的精细空间网络,结合了堆叠空间网络以及传统的空间网络进行动作识别。实验证明,本文提出的精细空间网络学习到的视频特征包含了高级语义标签特征和局部空间动作细节信息,以及在UCF101和HMDB51数据集上的识别准确率比传统的空间网络方法提高了2-3%。为了能够在空间网络中捕捉到时空特征,本文提出了具有表征差异的空间注入网络。利用表征差异模块计算相邻输入RGB图片的高级语义特征差异,并通过辅助损失对空间特征构建时间辅助约束,从而获取时空特征。实验证明,本文提出空间注入网络能够捕捉包含静态和动态信息的时空特征,并在UCF101和HMDB51数据集上的准确率比传统的空间网络方法提高了1-2%。针对光流噪音的问题,本文提出了基于自注意力机制的时间注入网络,在传统的时间网络中利用自注意力机制和辅助损失,使得在动作识别的过程更加关注主体活动区域,尽可能地削减背景杂乱和相机抖动对动作识别的影响。最后分别结合了本文提出的精细空间网络、空间注入网络以及时间注入网络构建双流网络进行动作识别。实验证明了本文提出的方法的优越性,并在HMDB51数据集上本文提出的网络相对比传统的双流卷积网络高出2-3%。