随着视频摄像机的普及，使得各种类型的视频数据数量飞速增长。基于视频序列的人体行为识别技术已成为计算机视觉、模式识别领域的重要课题，基于视频序列的人体行为识别主要通过分析视频的内容对人体行为进行检测和识别，人体行为识别技术与社会生活密切相关，其在智能监控、人机交互以及医疗辅助等多个领域都有重要应用。由于具有广阔的应用前景，基于视频序列的人体行为识别近年来已经吸引了国内外计算机视觉研究者的广泛关注。　　如今，计算机不能够像人类那样智能的识别处于复杂环境下的各种行为信息，主要原因在于计算机不能处理光照变化、视角变化以及目标遮挡等环境因素的影响，并且人体行为往往变化多端，动作细节会随着时间的变化而演变。目前，大部分人体行为识别方法是基于彩色视频序列的，识别结果易受光照变化、目标遮挡和复杂背景等因素的影响。近年来，随着深度传感器的出现，使得利用不受光照和表观因素影响的深度信息来提高人体行为识别的效果成为了可能，针对这种新型的深度序列数据，如何利用深度信息描述人体的行为特征，实现鲁棒的人体行为识别，还需要深入研究。因此本文对如何解决基于深度视频序列的人体行为识别问题进行深入探索之后，又对人体深度特征的表示方法进行了研究，提出了一些改进的方法和措施。本文的主要工作具体内容如下:　　(1)提出了一种基于多分辨率曲面法向量的人体行为识别描述符方法。基于曲面法向量的方法一般具有抗噪声能力与尺度不变性的特性。因此，在本文的行为识别算法研究中应用了基于曲面法向量的方法。该方法的主要思想是通过在特征空间内应用局部多分辨率金字塔，聚合不同层上的多维法线，提取不同层的底层特征，通过学习到的稀疏字典对其编码，应用空间平均池和时间最大池整合编码，得到高层特征作为最终描述符。该方法有效地提高行为识别描述符的灵活性，大大提高了识别率。　　(2)提出了一种用于分类的组稀疏约束字典学习模型。为了更好地对人体行为进行分类，本文利用组稀疏编码适用于分类的这一特性，并结合时空特征相似性以及人体运动的本质特征，在原组稀疏编码方法上做出了优化与改进。本文提出的模型是在传统的稀疏字典学习模型基础上，通过增加组稀疏约束，不但在保证极小化信号的重构误差的条件下，对信号重构误差和系数的稀疏性做了限制，而且利用每个训练样本的类别信息，为每个类的样本学习不相关的类别字典保证其判别性，组合这些子字典以获得判别能力更强的稀疏字典，从而降低系数分布的随机性，提高分类性能。　　最后，为了验证本文方法的有效性，应用本文提出的描述符方法和组稀疏约束字典学习模型，在4个深度视频序列的基准数据集上进行了实验验证，实验结果表明，本文提出的两种方法对人体行为识别是有意义的。