深度学习的快速发展将动作分析的研究推向了高潮,由此出现了很多基于视频对连续帧的行为语义识别和分析的相关研究。特别是包含时空特性的动作语义分析的研究,一般需要借助专用设备捕捉动作信息,例如光流场、数据手套等。这样就难以实现大规模、低成本地进行语义识别和分析,同时也给动作语义分析的算法研究带来了一些限制。基于目标检测算法,本文提出一种具有连续性和时空特性的动作语义识别模型。它可以适用于需要快速而准确地识别动作语义的应用场景中,例如手语识别。特别地,本文还对该模型的结构、特点、应用等进行深入探讨和分析。在一定程度上,这为行为分析和智能化的研究提供了重要的现实价值。迄今为止,大型的、标准的关于工业领域的公开可使用的、规整的数据集极少存在。为了给算法模型的研究工作提供良好的数据基准,本文通过部署普通的摄像头采集获得视频数据,并借助特征工程的方法对数据进行转换、标注、框定和处理等。另外,本文提出一种基于细粒度的动作分解策略来解决数据集极度不平衡的问题以提高模型的性能,还提出一种迭代采样的数据融合策略,旨在整合和融合多个源的数据以使其变得更有效性,进一步提高模型的鲁棒性和泛化能力。基于数据背景,本文首先从包含二维特征的视频流中获得动作的空间信息和单帧图片的动作语义,然后基于时间特征将其组合为具有时空特性的连续动作序列。最后将动作识别模型应用在这些连续的动作序列上进行检测和识别动作语义,从而完成动作语义分析,以起到对实际应用中动作的标准化管理和实时监控的作用。特别地,本文对基本参数、训练策略和超参数进行了一系列的消融实验,以提高模型的准确性。实验性能表明,最终适用该数据背景的动作语义识别模型（模型）的结构是基于Res Net框架的R-FCN算法模型,平均识别精度约96.45%,平均识别时间约0.23s。通过这种方式,本文可以实现在空间维度上对动作姿态准确性的评估,在时间维度上对动作效率的评价。