人体动作识别任务是视觉领域十分热门的研究课题，该任务涉及到多学科的方法融合，并在人机互动、视频检索、智能控制、虚拟现实等领域具有广阔的发展前景，因此人体动作识别任务具有十分重大的研究意义和应用价值。虽然目前许多研究者都在试图使用不同的方法来提高识别分析行为的准确性，但由于人体动作本身的多样性与复杂性，以及视频场景中其他信息的干扰，使得对于人体动作特征的学习以及相应的特征识别任务，仍然是需要继续研究的重要问题。　　本文首先提出一种基于深度特征学习的动作识别序列模型。通过使用卷积神经网络与条件随机场的联合建模，采用结构改进设计的卷积神经网络，来层级性的学习图像中的深度空间特征，再使用改进的条件随机场进行序列建模以考虑图像之间的时间依赖关系，即视频序列的时序信息，从而建立一种卷积神经随机场模型，用于人体动作识别的任务中。接着，本文对于无监督的反卷积网络进行改进，加入标签信息的正则化约束，形成一种半监督深度特征学习方法。通过在无监督网络结构上的学习中加入正则化因子，引入小部分有标注数据来引导特征学习的方向，使得具有相同类别标签的特征表达能够尽量的相近，而具有不同类别标签的特征则尽量的相异，从而强化类别内的特征表达重叠性，弱化类别间的特征表达重叠性。最后，本文将半监督反卷积特征学习方法与卷积神经随机场模型进行整体结合，通过使用半监督反卷积特征学习方法训练有效的特征学习模型，而后将该模型中得到的参数与网络结构提取出来，作为卷积神经随机场中特征学习部分的预训练参数，通过有效的特征学习参数的引入，可以引导卷积神经随机场中对于图像特征的更好学习能力，从而达到更为有效的动作识别效果。　　本文提出的卷积神经随机场，优化的半监督反卷积特征学习方法，以及联合的带有预训练操作的识别模型，分别都使用实验进行了验证。实验结果表明本文所提出的方法，对于人体动作识别任务取得了更为有效的识别效果，在算法优化方面是有效的。同时，本方法除了应用于单数据集识别任务，还具有在多数据集上进行迁移学习的研究前景。