随着人们安全意识的提高,以及建设平安校园、平安社会的需要,越来越多的监控摄像头被应用在各种场合,但是传统的监控设备仅能起到一个录像的作用,不具备智能分析功能,需人工实时查看视频内容,从而捕获异常事件。人工智能技术的兴起,让监控设备具有了智能化,但是目前的行为识别算法计算量庞大,需要在服务器上运行。因此本文重点研究如何降低网络计算量的同时提升网络精度,从而让网络在普通电脑、单板机等小型处理器上高效准确的识别视频中异常目标。为提高网络识别的准确率,视频预处理时利用二次采样算法获得全局视频信息,并设计了一种名为RD3DNet的高参数利用率的新型识别网络,探索了网络的结构参数和训练参数对准确率的影响,获得了网络的一组最优结构参数和训练参数。然后在测试集上进行了可行性、Top5分析、特征图分析以及和先进网络对比分析,在UCF10和HMDB51数据集上分别获得了95.4%和73.5%的准确率,相比于R3D(85.8%和54.9%)、Fast3D(89.5%和55.4%)和TSN(94.2%和69.2%)等先进网络均有不同程度的提高,对比说明本文设计的网络对人体行为的识别在准确率方面具有一定优越性。为降低计算量,满足实时性要求,本文从网络结构、卷积核的分解方式、组卷积和通道池化等角度进行优化,并进行了详细的实验探索,分析改进方式对网络准确率、计算量和参数量的影响。在UCF101和HMDB51数据集上的准确率达到了96.31%和74.12%,相比优化前分别提高了0.91个百分点和0.62个百分点,参数量和计算量显著减少,分别为6.83M和19.23G FLOPs,相比优化前的28.15M和42.42G FLOPs,缩减了75.73%和54.67%。测试的推理速度达到了91.73VPS、1467.68FPS(不包含数据加载),比先进网络快了近两倍左右。本文使用优化后RD3D算法在自建数据集上进行知识迁移,然后将网络移植到简易智能监控上进行室内异常行为测试,测试结果和实际动作相符合,实现了异常行为的快速准确识别,达到了研究目的。本文对行为识别算法进行了研究,解决了准确率低,计算量大的问题,促进了智能监控的落地应用,具有实际应用价值,促进了计算机视觉的发展。