随着计算机存储能力的发展和移动智能终端的普及,视频数据逐渐成为人们消费和产生的主要数据形式。面对大量的视频数据,搭建智能视频分析系统显得尤其重要,而视频行为分析作为智能视频分析系统不可缺少的一个重要功能,主要是对视频中的人体行为进行检测、提取、分析及识别。近年来深度学习在视频行为识别中起到巨大的推动作用,然而其“黑箱子”的不可解释性使得研究人员尝试将原理明晰的传统机器学习方法拓展为深度结构用于视频行为分析,并取得了不俗的成绩。核方法作为经典有效的机器学习方法,同样受到了研究人员的关注。据此本文对视频行为分析中的深度核非线性网络的基础问题进行研究,主要工作如下:1、对基于改进密集轨迹的行为识别进行了验证,使用HOG、HOF以及MBH特征描述子表达密集轨迹,并使用视觉词袋模型对特征编码,在Weizimann标准动作数据库上完成行为分类效果验证。2、基于核非线性表达器,提出一种核非线性表达的编码方式,打破了核函数的内聚性,将特征显式地映射到高维特征空间中。并将其应用于视频密集轨迹特征编码,有效地提高了原始词袋模型的行为分类准确率。3、借鉴深度结构的思想,从视频块生成的角度表达视频行为。提出将基于核的非线性表达编码与基于Fisher向量的编码相堆叠,构成深度核非线性网络模型。实验表明该模型增加了视频行为的表达能力,提高了视频行为的分类准确率。论文阐明了视频行为分析的研究现状及技术难点,对视频行为分析中的核方法进行了详细的介绍,同时基于核非线性表达编码和Fisher向量提出一种深度核非线性网络用于视频行为的表达,在Weimann数据库验证了模型的有效性。