视频序列中的人体行为分析逐渐成为计算机视觉领域研究的热点,在智能视频监控、虚拟现实(VR)、运动分析和视频检索等领域被广泛应用。每天智能监控系统都会采集到大量的视频信息,如何优化视频信息,对视频中人体动作进行准确分类且对异常行为及时检测和实时报警,都是该领域需要深入研究的方向。但是,当前的大部分行为识别方法普适性差,只是对于某些特定的研究对象识别效果较好,未来人体行为识别技术仍有待于进行深入的研究。本文通过对人体动作识别技术研究现状的分析概括后,在现有识别方法的基础上,对摔倒、走路、坐下和弯腰这四种日常行为自行拍摄建立视频库并且提出了两种不同的人体行为识别方法。一种是基于时空形状特征的行为识别方法;另一种是基于整体和局部特征相融合的行为识别方法。此外,本文设计了一套对人体行为在移动客户端实时监控的系统软件,当异常情况发生时,客户端可以实时接收到报警消息。首先,利用混合高斯背景建模和三帧差分法相融合进行前景提取。然后在特征提取和行为识别方面,第一种方法是对动作视频序列的MEI分二次方法进行Hu矩特征的提取,结合朴素贝叶斯分类器进行分类识别;第二种方法是对视频序列提取SIFT特征和对其动作历史图(MHI)提取梯度方向特征,根据视觉词袋模型理论对SIFT特征进行处理,将最终融合后的特征输入支持向量机进行分类判别。最后,在Android客户端实时监控和异常行为报警系统设计方面,采用了Socket网络通信方式,实现了远程监控和报警。实验表明,本文方法识别率高,具有较好的鲁棒性,并且当异常行为发生时,能够通过报警系统软件实现实时报警功能。