随着人工智能技术的日益成熟,人工智能与竞技体育技战术分析相融合是提高技战术分析水平的重要途径。本论文研究针对空手道运动的技术特点,来改进人体行为识别算法,以提高算法在空手道技战术分析系统中的鲁棒性、实用性。目前,利用人体骨骼数据的时空图卷积模型的行为识别算法得到了越来越多的关注,也取得了很好的效果,但是应用在空手道技战术分析中,还是存在一些不足,针对这些问题,论文开展了如下工作:（1）很多行为识别算法所用到的训练及测试视频中都只包含单个行为动作,而在空手道技战术分析的实际应用中,只有长时间视频,包含多个行为动作,这导致识别精确度严重下降。本文利用已有的时序动作检测算法,将长时视频分割为一个个仅包含单个行为动作的视频片段,为行为识别算法提供更有效的输入数据源。（2）传统行为识别算法模型,大多都是基于开放领域的通用数据集进行训练,难以泛化到特定领域,而空手道这类竞技体育运动的数据集严重缺失,为运动行为识别增加了挑战与难度。本文设计了一个融入表达外部先验信息的领域知识图谱的端到端弱监督行为识别算法,有效的解决了空手道数据集严重缺失的问题。（3）在空手道这类竞技体育运动中,运动行为具有外界干扰因素多、方向变化频繁、移动快的特点,时空图卷积模型的性能又严重依赖于图的拓扑结构,目前常规拓扑图结构难以获取空手道这类竞技体育运动中有效的特征信息。论文利用德劳内三角剖分算法,改进拓扑图构建方式,并融入知识图谱的外部先验信息,增强了算法的鲁棒性与实用性。本论文针对上述传统方法的不足进行了详细研究,并提出了自己的创新思路。针对第（1）不足,本论文利用了已有的时序动作检测算法。论文解决其他几个不足的主要创新点如下:（1）本文预构建领域知识图谱,以及在算法过程中动态构建关键关节点知识图谱,设计了一个融入表达外部先验信息的领域知识图谱的端到端弱监督行为识别模型,可以在小样本空手道数据集上训练,并达到较高的识别精确度。（2）针对行为识别模型中拓扑图结构特征表达能力不强的问题,论文利用德劳内三角剖分算法,实现一种全新的拓扑图结构,能够更有效的提取骨架数据中的空间结构信息。（3）针对空手道运动的技术特点,融入知识图谱外部先验信息,使模型能够更充分的表达空手道技术动作的特征信息,增强了算法的鲁棒性与实用性。