近年来视频监控已经成为维护国家和社会安全防控的重要方式,然而随着视频数据的急速增加,基于视频数据的危险行为识别已逐渐成为当今的研究热点,但是当前行为识别算法无法高效获取视频中的时空信息,且存在识别效率低,精确度差等弊端。本文主要研究内容是利用光流提取网络提取光流图作为输入数据,并采用注意力机制模型减少参与计算的网络参数,最终使用多流网络融合模型对视频中的危险行为进行分类识别。为了证明本文所提算法对危险行为识别的实效性,论文展开了多方位的研究工作。1)提出了一种改进型光流网络,该网络主要由捕捉大位移光流网络和捕捉小位移光流网络组合而成,并通过加入平滑噪声和减小卷积核大小的方式解决了普通算法无法获得具有清晰轮廓光流图的问题,且利用EPE参数作为光流图效果的评价标准进行了对比实验,证明了该网络所获光流图的优越性,最终将该算法所获得的光流图在实际任务中进行了验证,经过对比实验证明了该算法的实用性。2)提出了一种基于注意力机制的时空融合网络模型,该模型通过引入Attention模块的方式使网络能够对重要区域分配更高权重,有效地解决了信息冗余问题,同时针对视频帧间时序信息获取不充分的问题将LSTM结构引入该网络模型,最终在自建危险行为数据集（DBD）上验证了该模型具有一定的实效性,但是该网络模型过于单一,识别准确率还有待提升。3)提出了一种基于多流网络融合的危险行为识别算法,该算法的输入数据采用多模态数据输入方式,且网络架构采用多流网络思想将二维网络与三维网络进行了融合,有效地弥补了单一网络获取时空信息的局限性,最终在DBD数据集以及公开数据集UCF101和HMDB51上对相应危险行为进行了识别验证,结果显示在UCF101上识别率可达94%,因此本文算法对于视频中危险行为识别具有较高的实用性。