人体动作识别作为计算机视觉领域的一个研究热点与难点,一直被广大的研究者学者所青睐。传统的人体动作识别方法虽然准确率尚可接受,但需要手工设计并提取动作特征,故其受个人差异的影响较大。而卷积神经网络能够自动的将低层特征提取到高层特征,完全不受人为因素的干扰,并且在图像识别领域取得了突破性的进展。因此,本文的目的是基于卷积神经网络提出识别率更高、鲁棒性更好的人体动作识别方法。本文首先对目前基于二维卷积神经网络的LRCN算法进行了深入研究,发现LRCN在特征提取方面使用的是较浅层次的AlexNet卷积网络,导致无法提取更加有效的、语义更加丰富的特征,而使用的记忆神经LSTM单元存在结构冗余,参数较多等问题,使得模型运行时间较长并且较易发生过拟合的现象。针对上述问题,本文提出了一种改进的LRCN算法,使用了较深层次的ResNet-34网络替换了AlexNet网络,同时使用GRU单元替换LSTM单元,并通过实验对比了改进后的LRCN算法模型不仅提高了人体动作识别率,也在一定程度上缩短了模型的运行速度。虽然LRCN相比于卷积神经网络增加时序学习,但是LRCN算法却无法对空间特征与时间特征进行同步学习。因此,本文又对能够同步学习两种特征的3D卷积神经网络的人体动作识别算法进行了深入研究。然而3D卷积神经网络虽然能够同步学习空间与时间上的特征,但是该算法模型只采用了两层线性卷积层,因此其模型抽象能力不强,无法提取更加抽象的特征。基于此,本文基于3D卷积神经网络重新设计了一种人体动作识别的网络,相比于原网络,新网络不仅增加了两层MLP卷积层,还使用了dropout技术防止网络产生过拟合并且减少了参数计算,最后使用GAP去替换了最后的全连接层。因此,新的网络具有更强的抽象能力,以及更好的鲁棒性。最后本文为了验证新网络所具有的优势,在UCF101公共数据集进行了同步对比。通过实验证明,相比于原网络,新网络在人体动作识别准确率方面表现更加优秀。