在计算机视觉领域,视频动作识别近年来倍受关注。视频通常具有丰富的场景类型,比如街道监控视频、室内监控视频和某种体育项目的比赛视频等,而针对特定场景下的视频动作识别会更具有实际意义。对于体育视频中的羽毛球单打视频,为了能更好地辅助教练分析视频中球员的动作,以及使用户可欣赏到每种击球动作的视频集锦等多元化需求,本文基于羽毛球视频精彩片段展开对羽毛球动作识别的研究。论文主要的研究内容和结论如下:（1）羽毛球视频精彩片段提取本文将羽毛球视频精彩片段定义为在羽毛球比赛视频的广播视角下,球员运动相对剧烈且播放时间足够长的视频片段。为了使用户能直接观看到羽毛球视频中比赛过程的精彩片段,以节省用户时间,研究一种羽毛球视频视角分类方法来得到有效片段,并通过目标跟踪技术进一步捕获球员移动速度,根据移动速度大小对有效片段进行筛选,得到羽毛球比赛视频的精彩片段。实验对精彩片段提取进行了有效性评价,提取的精彩片段中,实际有效的占比为93.1%,表明精彩片段提取结果良好,可为后续羽毛球动作元视频数据集的构建奠定基础。（2）基于姿态估计的击球动作时域定位针对目前方法不能很好地对羽毛球视频击球动作进行时域定位的问题,提出基于姿态估计的手臂挥动幅度计算方法,定位羽毛球视频精彩片段击球动作时域,进一步实现元视频的提取。实验结果表明,对羽毛球动作时域定位测试的交并比指标为82.6%,表明本文方法可有效定位精彩片段中球员的击球动作时域,使得后续对于羽毛球动作的识别更具有实际意义。（3）基于时序分段网络的羽毛球视频动作识别本文将轻量级注意力机制引入时序分段网络,构成注意力机制-时序分段网络,并通过人工构建的元视频数据集训练该神经网络,得到对羽毛球击动作的分类器,可将击球动作预测为正手击球、反手击球、头顶击球、挑球四种常见类型。同时提出基于形态学处理的方法将头顶击球动作进一步区分为高远球和杀球。实验结果表明,分类器对羽毛球动作预测的AUC指标皆达0.98以上。在测试集上对最终五种动作（正手击球、反手击球、高远球、杀球、挑球）的平均查全率和查准率分别达到91.2%和91.6%,说明本文方法能有效实现对羽毛球视频击球动作的识别。最后以提取的精彩片段为输入,将羽毛球动作时域定位和动作识别程序进行结合,设计了羽毛球视频动作识别系统,实现端到端输出各种羽毛球动作元视频集锦。