行为识别是计算机视觉领域中的一个重要方向,也是近年来随着深度学习浪潮兴起的一个研究热点。行为识别技术以图片、视频信息为基础,提取其中时空特征进行学习建模,从而对目标当前的行为动作进行判别,以方便决策人员快速反应并采取相应措施。当前的行为识别技术及其相关研究主要针对人类行为,人类行为定义较为精确,可辨识度高,数据集充足,在近几年人类行为识别技术已经取得了可喜的进展。与人类行为识别方法研究相比,针对大熊猫的行为识别研究存在着如下亟待解决的问题:(1)现实中大熊猫行为数据匮乏,可以获取到的视频数据同质化问题严重。(2)目前没有一个标准的数据集用来评价熊猫行为识别效果。(3)由于体态、环境噪音等多种影响因素,大熊猫姿态模糊、可辨识度低,增加了对这类生物识别的困难(4)从长期发展来看,大熊猫行为识别技术对时间性能有一定要求。针对上述问题,本文提出了两种基于Transformer模型的大熊猫行为识别算法。一种是基于空时信息模型的CNN-Transformer算法,该算法利用卷积神经网络提取视频帧的空间特征图,将特征图压缩为向量并输入到Transformer的encoder部分实现时序建模;另一种是在Transformer中融入卷积运算的ConvTransformer算法,该算法创新性地改进了Transformer模型的计算流程,使得算法可以直接接收特征图作为输入,从而更好地利用数据的空间信息。为了尽可能准确地评估算法,我们收集了一些熊猫视频,并制作了含有五种行为类型的熊猫短视频数据集,同时为了更公正地评估算法,我们还引用了一个常用的人类行为数据集UCF101。实验证明本文提出的算法无论在针对人类行为的UCF101数据集上还是在熊猫短视频数据集上都有着优秀的表现。最后本文实现了一个基于大熊猫行为识别算法的视频检索平台,该平台可以根据用户上传的视频自动进行分类,然后检索数据库中与之最相近的若干视频,并返回给用户界面。