随着互联网科技的高速发展,大量增长的视频成为了人们主要获取信息的来源,而大多数视频中记录的都是以社会主体人为中心的活动,因此通过视频来分析和理解人的行为在近年来愈发引起研究者们的重视。学者们通过研究视频中人的行为进而实现人机交互、智能监护和视频检索等功能,因此该学科逐渐成为计算机视觉领域中重要的研究对象。但是通过不同的设备采集到的视频图像质量良莠不齐,且在一定程度上存在人体遮挡、光照变化、复杂背景以及视角移动等影响因素,使得视频中的人体行为识别任务进行得愈发艰难。因此如何有效的提高人体行为识别的识别率成为了该领域的热点研究话题。本文在密集轨迹算法的基础上进行改进以期获得更高的识别效果,主要研究工作如下:首先,考虑到密集轨迹算法在整个视频帧上密集采样会导致在特征点跟踪过程中将背景上的干扰轨迹计算在内,增加了算法的计算量并且影响了识别效果。基于这个问题,采用选择性搜索策略捕捉人体运动区域,之后在有效区域内进行特征点采样并跟踪,消除背景运动轨迹对算法的不良影响。其次,由于长时间特征点轨迹跟踪可能导致的轨迹漂移现象,本文通过计算提取到的轨迹中相邻两帧特征点的运动显著性强度,设定阈值过滤掉运动显著性强度差值大于阈值的轨迹的方法,以便降低发生轨迹漂移现象的概率。再次,通过引入分段Logistic混沌映射对蜜蜂种群进行初始化,并改进蜂群算法的寻优策略,以期增加种群多样性,增强算法后期开采能力。将改进的人工蜂群算法对支持向量机的相关参数进行优化,增强分类器应用于不同数据集的兼容性并提高算法的分类性能。最后,将整个改进算法应用于基于视频图像的人体行为识别中,通过使用UCF101和HMDB51两个素材采集自真实环境的公开数据集来验证改进算法的识别准确率,并通过与其它经典算法应用于这两个数据集的准确率进行比较,验证本文提出算法的可行性。