随着web2.0技术的不断成熟,以及人工智能的飞速发展,计算机对于图片的理解程度逐渐趋于语义层面,对图像内容的识别和分类的研究也不再仅限于传统的底层特征。静态图像行为识别作为图像识别领域新兴的研究热点之一,旨在识别单张图像中所描述的行为内容,是一个充满挑战性和研究价值的课题,同时也具有广泛的应用场景。本文在深入研究静态图像行为识别的国内外研究现状的基础上,发现现有的算法中通常是利用指定的某一种线索或者结合指定的两种线索用于识别图像中的行为,忽视了指定的线索对识别所有类别的行为不具备适用性的缺点。本文针对这一问题,提出主要线索和辅助线索相结合的方法。指定人体区域为主要线索,设计“主+辅”网络模型,确定每张图像中的辅助区域作为辅助线索,并将两者相结合共同用于识别图像中的行为。人体区域的确定通过人体检测来实现。本文在经典的HOG特征+SVM分类器的人体检测方法的基础上进行改进,分析HOG特征的具体提取方法,将决策函数中特征向量的权重值转化为block的权重值,并设置合理的block权重值阈值,筛选有效的block,剔除无效的block,从而达到对传统HOG特征降维,提高检测效率的目的。辅助区域的确定和最后的行为识别是通过“主+辅”网络模型实现的,该网络是在Fast-RCNN网络的基础上改造设计的。首先基于MIL的思想,引入候选辅助区域,并通过设置候选区域与人体区域的重叠率范围来获得。在Fast-RCNN的第五个卷积层之后将网络分为两个分支,分别对人体区域和候选辅助区域特征图进行ROI池化操作,通过特征提取和计算判定每个候选辅助区域的行为识别分数,选取分数最高的为辅助区域。将选取到的辅助区域与人体区域相结合,综合两者对应的行为判定分数结果作为最后的行为判定分数,并对分数进行归一化从而得到一张图片属于每种行为的概率。本文通过Stanford Action 40 Dataset和PASCAL VOC Action两个常用的静态图像行为识别的数据集来验证过本文提出的方法的有效性。实验结果表明,该方法在两个数据集上的mAP值分别为89.55%和90.1%。为了验证该方法中指定人体区域作为主要线索的合理性,采用控制变量法,设计“辅+辅”网络模型,并将其与本文的“主+辅”网络模型进行比较,实验结果表明,人体区域是最合理的主要线索。