随着人工智能时代和5G时代的到来,人行为预测引起了越来越广泛的关注。相比于人行为识别,人行为预测具备及时性、有效性的特点,在自动导航、视频监控及预警、机器人人机交互等领域具有广阔的应用前景。然而,目前关于人行为预测的研究多掣肘于观测信息匮乏、动作混淆等问题,为人行为预测的发展带来了巨大挑战。针对上述问题,本文结合深度学习理论及方法,从早期行为预测网络模型的设计、早期行为预测损失函数的设计、密集预测方法等方面对人行为预测相关技术进行研究。主要研究内容如下。首先,早期行为预测网络模型的设计。在早期行为预测的任务中,针对观测信息匮乏的问题,以层次化的时空图卷积网络结构为主体,辅以基于特征图的注意力模块,构建了基于特征图的层次化注意力时空图卷积网络。该部分内容在NTU RGB-D 60数据集和SYSU 3DHOI数据集上进行了实验。其次,基于损失函数的早期行为预测研究。在早期行为预测的任务中,针对动作混淆的问题,设计了基于可信度的阶跃损失函数,以引导模型在足够自信的前提下尽早做出准确的预测,在动作的早期阶段分辨易混淆的动作,并在NTU RGB-D60数据集上进行了实验。最后,密集预测方法。在密集预测的任务中,作为探索性的研究目标,设计了双流强记忆力长短期记忆网络,使其在信息量巨大的观测视频中,同时利用高级和低级特征,辅以强记忆力模块,以分析动作之间错综复杂的关系,从而做出合理、长期的预测。该部分内容在Breakfast数据集和50 Salads数据集上进行了实验。