针对原始空时双通道卷积神经网络模型对长时段复杂视频中行为识别率低的问题,实现了一种基于视频分段的空时双通道卷积神经网络的行为识别方法。首先将视频分成多个等长不重叠的分段,对每个分段随机采样得到代表视频静态特征的帧图像和代表运动特征的堆叠光流图像,然后将这两种图像分别输入到空域和时域卷积神经网络进行特征提取,再在两个通道分别融合各视频分段特征得到空域和时域的类别预测特征,最后集成双通道的预测特征得到视频行为识别结果。文中通过实验讨论了多种数据增强方法和迁移学习方案以解决训练样本不足导致的过拟合问题,分析了不同分段数、预训练网络、分段特征融合方案和双通道集成策略对行为识别性能的影响。实验结果显示在UCF101数据集上的行为识别准确率达到91.80%,较原始的双通道模型提高了3.8个百分点,同时在HMDB51数据集上的行为识别准确率也较原模型提高,达到61.39%,这表明本文模型能够更好地学习和表达长时段复杂视频中人体行为特征。