近年来,行为识别技术逐渐成为计算机视觉领域关注的重点。行为识别通过捕捉视频图像中的人物运动特征来识别目标运动类别。行为识别技术具有广阔的应用前景,如:智能驾驶,无人超市,智能交通等。传统的行为识别方法是在不同的应用场景中凭借大量的人工设计与先验经验来实现的。这些方法不具有通用性,应用场景存在一定局限性。随着深度学习算法的问世,图片分类,人脸识别,机器翻译等领域都获得了长足的进步。深度学习算法可以从大量数据集中自我学习到目标特征,避免了手工设计特征提取方法的繁琐步骤和经验性高的困难,并且可以应用于多个不同场景。随着数据集规模的增长,以及深度学习算法复杂度的提高,深度学习算法对硬件配置的要求越来越高。为了降低行为识别技术对计算机硬件设备的依赖,本文设计了一种高效的行为识别算法,在保持识别准确率不变的情况下,降低模型约1/3的计算量和2/5的参数量。主要研究如下:1.利用深度可分离卷积对行为识别网络进行改进,牺牲较小准确率,使模型计算量和参数量大幅度减少。标准卷积操作通常使用与输出通道数相同的卷积核来完成,在卷积滤波的同时,将特征图扩展到多通道中。而深度可分离卷积将卷积滤波和扩展维度这两个步骤分开实现:首先通过深度卷积实现卷积滤波操作;然后通过逐点卷积将特征图扩展到多通道中。深度可分离卷积虽然通过两次卷积来实现,但是所用卷积核大小远小于标准卷积,从而实现了计算量和参数量的大幅度减少。2.利用注意力机制对行为识别网络进行改进,融合注意力机制,以较小的计算消耗,换取明显的网络性能提升。本文将用于2D任务的CBAM模块扩充为3D结构,并嵌入到行为识别网络中。3D CBAM从空间维度和通道维度对提取的特征图权重进行重新分配,强化有用信息,抑制无用信息,从而提升网络的特征表现力。