人体行为识别技术是计算机视觉和深度学习领域的一个重要研究方向,其在智能视频监控、人机交互、运动辅助训练、基于内容的视频搜索等许多生活与科研领域有着重要的应用。然而现有的行为识别技术在实际场景下的识别准确率普遍较低,由于背景的复杂多变问题导致其识别效果不佳,本文针对这一问题,引入时空兴趣点抑制算法,时空块稀疏编码的运动显著性分析和双流DenseNet方法,具体研究内容如下:（1）提出一种基于改进时空兴趣点检测的人体行为识别算法,针对复杂背景造成冗余时空兴趣点的问题,在基于3DHarris角点的时空兴趣点检测算子的基础上,加入背景点抑制和时空抑制,以减少无用兴趣点对有效兴趣点信息的干扰。使用时空金字塔模型,将视频帧构建多分辨率图像金字塔,在每一个时空子块上,提取3DHOG特征,最后使用SVM分类器进行行为分类,最终实验表明,使用改进后的时空兴趣点算法在复杂背景下相比改进前识别准确率提升了 2.8%。（2）提出一种基于改进密集轨迹算法的人体行为识别算法,针对密集轨迹算法在复杂背景下会存在定位在背景中的冗余轨迹的问题,使用基于时空块稀疏编码的运动显著性分析算法,保留稀疏编码的残差较大的时空块,提取行为主体,在此基础上通过跟踪光流场来对密集采样的特征点来提取轨迹,实现对冗余轨迹的提纯。进而使用轨迹形状特征、HOG、HOF、MBH多种特征描述子进行特征提取,最终实验表明,基于运动显著性分析的密集轨迹算法在复杂背景下相比改进前识别准确率提升了 1.4%。（3）提出一种基于双流DenseNet的人体行为识别算法,针对复杂背景情况下,手工特征提取方式的传统机器学习方法鲁棒性低的问题,依据深度学习的优势,使用DenseNet网络架构作为基础网络,首先将传统的二维DenseNet引入三维卷积,更加适合对视频数据的处理,其次为了能够更好的提取背景与运动主体的差异信息,引入了双流架构,使用光流图片序列作为时域流网络的输入,提取帧间运动信息。最终实验表明,改进后的基于双流DenseNet的行为识别方法在复杂背景下相比改进前识别准确率提升了 2.6%。