行为识别是近些年计算机视觉的一个热门研究领域,受到很多学者的关注。行为识别可以应用在视频监控、视频检索、人机交互、军事、安防、医疗诊断、工业检测、交通管理、运动分析、生物学等众多领域,具有非常广阔的应用前景及经济价值。传统的分类方法通常需要保证测试样本和训练样本具有相同的分布,而且在训练样本充足的情况下才能训练出一个可靠的分类模型。对于一个训练样本数量较少的新的领域,传统的分类方法无法获得良好的分类模型。这就需要利用迁移学习的方法,通过相关源领域的知识来辅助目标领域提升分类系统的性能。但是,不同领域的数据通常具有不同的分布,因此需要通过从源领域中选取接近目标领域数据的样本,或者将不同领域数据的特征映射到同一个空间,才能进行下一步的分类训练。为了解决不同领域数据的特征分布不同的问题,本文提出了基于协同矩阵分解联合拉普拉斯正则项的跨领域行为识别方法。首先,利用协同矩阵分解技术将源领域和目标领域数据的特征映射至一个共同的潜在的语义空间,然后为了使语义表示更具鉴别能力,通过利用领域间的标签一致性以及每个领域的局部结构信息,增加了拉普拉斯正则项。该算法在获得语义空间的同时,也能学习到两个线性映射矩阵以及一个线性分类器。对于一个测试样本,可以通过相应的线性映射矩阵直接得到其语义表示,并通过线性分类器获得其类别信息。为了验证算法的性能,实验选取UCF-101数据集作为目标领域,HMDB51数据集作为源领域,实验结果验证了所提出方法的有效性。