人的行为分析是计算机视觉领域的一个重要研究方向，它在智能监控系统、高级用户接口、人的运动分析、虚拟现实等领域有着广泛的应用。行为分析的最终目标是要通过对行为特征数据的分析以获取行为的语义描述与理解，而行为建模和识别是达到上述目标的一个关键步骤。本文从半/无监督学习方法的角度，对行为建模和识别进行了研究。主要研究内容及结果如下：　　 ⑴对近年来行为分析方面的文献进行了综述。根据人的行为的特征描述、建模以及样本的标记方式，将最近文献中的方法归为以下四类：①基于时空特征的方法；②基于模型的方法；③基于无/半监督的方法。在详细介绍这四类方法的基础上，指出了阻碍行为分析技术发展的难点所在。　　 ⑵提出了一种基于时空图像的行为建模与识别方法。该方法首先将视频序列转化为时空图像，并从时空图像中提取Gabor纹理特征，然后在已知类别数的情况下，利用基于动态时间归整的谱聚类方法自动地标记样本，最后建立行为的模板。这种方法简单易行，是一种无参建模方法，不需要大量的训练样本，不需要跟踪人体的各部位，而且对前景提取的精度没有苛刻的要求。　　 ⑶提出了一种基于半监督学习的行为建模与异常检测方法。该方法结合基于动态时间归整的谱聚类和最大后验自适应两种技术，能够在大样本的情况下自动地选择正常行为模式的种类和样本来建立正常行为的隐马尔可夫模型，能够在少样本的情况下避免欠学习问题，建立可靠的异常行为的隐马尔可夫模型。　　 ⑷提出了一种行为模型的在线学习方法：MAPACo-Training。传统的Co-Training算法是一种离线学习方法，对“每个特征空间分量都能足够地学习目标概念”这一假设条件有着苛刻的要求。本文方法结合了Co-Training与最大后验自适应两种技术，不仅能够克服传统方法对这个假设条件的苛刻要求这一问题，而且还能够用于多类在线学习。