随着深度学习技术的发展,如何应用它改善人们的生活的正在成为研究热点。在实际列车车厢中,人流量较大,因此很容易出现错拿行李、盗拿行李的情况,仅通过人力来判断行李取放十分困难,因此,针对该场景研究动作识别算法,以行李取放行为为切入点,进行动作识别分析具有重要的研究意义和实际价值。在模拟车厢场景搜集并标注的行李取放的图片的基础上,设计并在这些数据上训练了一系列高精度且兼顾实时性的模型。具体而言,针对基于关键点检测的人物交互检测算法PPDM,其交互中心点设置的位置不适用取放行为的检测的情形,修改了交互中心点预测位置,并借鉴其他融合姿态信息的网络提升关键点检测能力。同时,在进一步提升人物交互检测算法对行李取放识别性能的基础上,分离出交互检测算法实现动作识别的核心模块目标检测分支和姿态分支,分别探究边界框标注、数据增强对目标检测表现的影响,以及基于姿态估计网络的关键点位置,手工特征设计与机器特征学习对动作检测的影响,并在这两者基础上,探究模型融合策略对最终动作检测效果的提升。实际测试表明,针对取放行为专门优化的交互点检测方案与添加的姿态分支,能在原方法基准上提升分类的精确率与召回率;经过数据增强的目标检测与基于多层感知机处理姿态信息的检测方法的精确率与召回率均超过了90%,在此基础上,对目标检测和姿态估计的输出进行模型融合以损失一定实时性的代价对行李取放取得了最好的识别效果。