在计算机视觉领域,视频人体行为识别一直是个热门的研究方向。视频人体行为识别不同于静态图像的人体行为识别,输入网络的不是单帧图像而是连续多帧序列,图像绪论蕴含了更多的时序信息,是未来行为识别的主流研究方向。传统的人体行为识别方法由于其耗时长,特征提取复杂等原因,难以在实际应用中有重大突破。随着计算机软硬件的高速发展,2006年提出来的深度学习理论得以实践,视频人体行为识别再次被重视起来。如今,视频人体行为识别在视频监控,智能家居,体感互动等领域都有着广泛的运用,发挥着重要的作用。本文从深度学习理论出发,结合最新的研究成果,对以下两点进行实验研究。在3D网络的基础上增加密集和残差结构,提出密集残差网络（R-Densenet）。相比于2D卷积核,3D卷积核增加了一个深度维度来提取时序信息,可以有效的提取到动作的时序信息,对一些相似动作有良好的识别能力。3D网络复杂的网络结构导致计算量大,运行速度慢,网络难以抵达很深的深度,无法发挥深度学习的优势,因此在3D网络的基础上提出密集残差结构,通过密集残差的网络结构来解决梯度消失,网络退化等问题,同时跳跃的链接可以有效减少网络的参数,让网络更加轻便,有利于到达更深的深度。实验证明改进后的3D卷积网络可以有效地提取时序信息,并通过密集网络,残差网络的结构进一步加快运行速度。研究基于图卷积网络的视频人体行为识别。不同于RGB图像,图（graph）的形状并不是固定的,在人体行为识别中,图是用人体骨骼拓扑图构建的。在之前的图卷积方法中,骨骼节点的划分策略较为简单,注重于节点在骨架中整体的位置而忽视了具体部分在行为识别中的重要性。本文提出新的骨骼节点划分策略,将不同区域的节点分别处理,并在数据集上进行实验证明网络的效果。实验结果表明网络可以有效地提取骨骼节点图像的局部特征,避免相似动作之间的干扰,并提升了模型的精度。