随着近年来互联网的发展和视频录像数量的指数级增长,作为视频理解领域的基础任务,视频行为动作识别在视频监控、人机交互、视频检索等方面有着重要应用。当前使用深度学习的大多数视频行为动作识别方法都需要大量的标注数据作为支撑,然而现实世界中由于拍摄难度、收集标注成本和隐私伦理等原因,部分类别的数据往往难以大量获取和标注,因此少样本动作识别具有重要的应用价值。本文首先介绍了少样本动作识别的研究背景和现状;其次对少样本动作识别的相关领域和方法进行了详细介绍,包括动作识别、元学习、少样本学习等。针对时序对齐时范围宽泛并可能出现阶段级别的时序错配、视频片段特征对之间距离度量不准确等问题,本文在将视频分阶段的基础上,从时序对齐和度量优化两个角度,分别提出基于分阶段注意时序对齐的少样本动作识别模型、基于跨阶段三元组距离度量的少样本动作识别模型。并基于以上模型,设计实现少样本动作识别原型系统。本文主要研究工作如下:（1）针对目前视频动作片段时序对齐范围过于宽泛,未能保持对齐时视频进展阶段的时序先于偏序关系的问题,提出基于分阶段注意时序对齐的少样本动作识别方法。该方法中各阶段的视频片段的对齐只在相邻阶段的相关片段内进行,以避免阶段级别的时序错配,并使得位于不同阶段的多注意力模块能够集中注意到视频动作不同阶段的特定特征,从而更合理地实现视频片段的时序对齐,进而可提高少样本动作识别的准确性。该方法网络结构简单,模型参数少,是一种轻量级的方法。将所提出的方法与相关新近方法进行了相关数据集的实验比较分析,结果表明所提出方法能有效提升少样本动作识别的准确率。（2）针对同一视频的片段特征之间空间差异较小导致的距离度量不显著的问题,提出基于跨阶段三元组距离度量的少样本动作识别方法。该方法设计了深度学习的方式计算视频片段特征之间的距离度量,避免了固定距离度量方式的局限性,进一步挖掘利用了视频片段特征中的信息以形成有效的距离度量。进而,在当前阶段和相邻阶段中分别选取视频片段特征组成三元组,并建立损失函数,期望相同时序阶段的视频片段特征对距离减小,不同时序阶段的视频片段特征对距离增大,从而使距离度量器更专注于时序差异,提升距离度量的显著性和有效性。在相关数据集上的实验表明,该方法优于新近的相关方法,同时进一步提高了少样本动作识别的准确率。（3）设计实现了基于分阶段注意时序对齐和度量优化的少样本动作识别原型系统,该系统采用Python语言、深度学习框架Py Torch,图形界面开发框架Py Qt以及相应的基础框架实现,包括模型训练、样本集选择和动作识别三个模块。该系统界面直观友好,实施轻量便捷,交互体验较好,验证了所提出少样本动作识别方法的可用性。