动作识别的目标是辨识视频中人体正在执行的动作,其作为计算机视觉领域的一项基本而又极富挑战性的任务,在人机交互、虚拟现实、智能视频监控及社会公共安全等众多领域有着广阔的应用前景。传统的动作识别方法由于依赖人工提取特征,存在复杂耗时、抗扰性差以及泛化能力弱等问题。相比之下,基于深度学习的动作识别方法能够利用神经网络模型对数据特征进行自主学习,并且更加高效和准确。本文重点研究了基于深度学习的动作识别方法,具体工作如下:（1）针对现有的动作识别数据集样本容量相对较小,导致模型训练中易出现过拟合的问题,本文提出了基于视频的数据增强算法。该算法在保证数据结构和样本标签不变的条件下,利用水平方向上的平移矩阵对视频帧图像进行了随机裁剪,使数据集样本得到了有效扩充,因此在一定程度上降低了模型过拟合的风险。（2）由于动作识别的数据结构是视频帧序列,如果直接将其输入到模型中进行训练,将导致巨大的计算开销。因此,本文提出了一种更加高效的视频帧采样算法。该算法首先对输入的视频帧序列进行分析,然后再在此基础上确定相应的采样策略。实验结果表明,该算法不仅解决了计算成本问题,还使模型的识别准确率得到了提升。（3）针对现有的深度学习动作识别方法,空间特征提取能力不足的问题,本文提出了一种融入空间注意力机制的人体动作识别方法。该方法在空间特征提取过程中设计了融入卷积注意力模块的残差网络,增强了模型对空间判别性特征的提取能力。另外,针对卷积注意力模块在训练中存在左支右绌的问题,本文还对通道注意力部分进行了改进,即:先将平均池化和最大池化的特征拼接融合,然后再训练网络权重。实验结果表明,改进的卷积注意力模块,能使模型对关键信息的定位更加准确。（4）受空间注意力模块的启发,本文在上述研究工作的基础上,提出了融入时空注意力机制的人体动作识别方法。该方法不仅能够有效地对空间性特征进行提取,而且能够利用时序注意力模块获得更好的识别效果。最后,为了说明以上研究工作的合理性,分别在公开数据集UCF11、KTH、HMDB51和UCF101上进行了实验验证。结果表明,所有改进措施均能有效地提升模型的识别性能。