目前,深度学习理论在计算机视觉、语音识别、自然语言处理和人机博弈等领域有着很多实际的应用。深度学习的发展使基于视频信息的行为识别效果有着很大的提升。但是,由于基于视频数据的深度神经网络模型参数相对其他模型参数更多,对硬件计算资源要求更高,因此在智能机器人领域的实际应用是个极大问题。为此,本课题对3D卷积神经网络模型进行了改进,减少了参数设置,从而提高了深度神经网络的训练和测试速度。同时,针对本课题应用场景,使用迁移学习方法将改进的3D卷积神经网络应用到嫌疑人危险行为识别数据集中,达到了较高的准确率。首先,本文根据3D卷积神经网络模型的机理,将3D卷积核拆分并引入残差网络的思想,提出了一种改进的3D卷积神经网络模型。通过实验验证,该模型与改进前的3D卷积神经网络模型对比,结果显示其有效降低了训练和测试时间,减少了神经网络模型对硬件计算资源的要求。其次,针对本课题行为识别研究的具体内容,本文选用火车站广场这一公共场合作为视频拍摄场地,采集了嫌疑人危险行为识别数据集。该数据集是实验对象模拟公共场合可能发生的一些嫌疑人危险行为,并录制成视频数据。最终,建立了五种嫌疑人危险行为类别:“正常行为”、“持械行为”、“打架斗殴”、“抢劫行为”和“挟持行为”。该数据集有效还原了真实场景下危险行为,具有一定的实用性。最后,针对本文构建的数据集样本数量较少的问题,采用了迁移学习的方法将危险行为数据集输入到改进的3D卷积神经网络进行训练。在构建迁移学习模型之后,本文就迁移学习方法的可行性进行了可视化分析验证,证明了迁移学习的有效性。根据实验中损失率变化曲线的变化趋势,选定了训练迭代停止次数。最终通过实验得到的模型在本文构建的数据集中测试最终准确率,并通过混淆矩阵方式对每种预测分类类别和实际分类类别进行详细表述,得出本文提出的方法在嫌疑人危险行为识别数据集中具有良好的识别效果且具有实际应用价值。