随着互联网和视频采集技术的快速发展,网上产生了大量的视频数据,如何利用智能化技术识别视频中的人体行为成为了迫切的需求。人体行为识别在许多方面具有十分广阔的应用前景,许多研究人员对其进行了深入的研究和探讨,并且取得了显著的研究成果。目前,基于监督学习的深度卷积神经网络在人体行为识别任务上具有很好的应用效果,但是这类方法的性能在一定程度上依赖于标签数据的数量和质量,在只有少量标签数据的情况下,这类方法很难表现出其强大的性能。相比于监督学习方法,半监督学习方法能更好地满足现实世界的任务需求,其不仅能够利用标签数据的强监督信息,而且能够利用无标签数据来挖掘更多与任务相关的、有价值的信息。为了减少人体行为识别任务中标签数据的使用,降低数据标注成本,本文对半监督人体行为识别进行了研究,主要的研究内容如下:（1）基于自适应相关性学习的半监督人体行为识别针对特征建模问题,考虑到标签样本和无标签样本在特征空间中具有局部特征相关性,本文提出了一个自适应相关性学习模块来挖掘样本之间的相关性信息,进而利用得到的相关性信息和浅层的图卷积来聚合局部邻域内视频样本的特征,为视频样本生成更具表达能力的特征,提升人体行为识别的特征判别性。在三个公开的人体行为识别数据集HMDB51、UCF101、Something-Something V2上的实验结果表明,本文所提算法的性能在三个数据集上都优于其它算法。（2）基于对比学习的半监督人体行为识别针对有监督的深度学习方法在少量标签数据的场景下性能受限的问题,考虑到双路径的对比学习中,不同路径上的输入所对应的原始样本是相同的,为了保证两个路径上样本之间的相似性尽可能一致,在时间对比学习框架的基础上提出了相似性对比学习方法,利用视频样本对应的输出来建模不同路径上样本之间的相似性。在公开的人体行为识别数据集Mini-Something-V2上的实验结果表明,本文提出的算法在标签数据较少的情况下取得了较好的识别效果。