随着通信、人工智能和机器视觉等领域的不断突破进步,对于机器人技术的相关研究不断向更深更高层次发展,而家用服务机器人作为面向家庭工作环境的智能化机器人,在未来进入千家万户服务家庭已成为必然的发展趋势。如何使机器人有效的识别人的姿态与动作,帮助其更好的主动“感知”与“认知”人的行为一直是学界所研究的重要问题。与单张图片中的形态检测不同,行为识别任务主要探究如何感知在一段连续的视频流中某一对象乃至多个对象的动作变化,进而由对连续动作的总结上升为对行为的判断。深度学习方法经过近几年的迅速发展,已经在视觉相关的很多领域取得了很好的效果,但将基于深度学习的行为理解算法部署至移动机器人平台中仍存在不少问题。深度学习方法由于其方法性质使得其对硬件的算力要求较高,尤其在处理图像任务时需要大量的GPU图形运算,如何在保证算法速度精度的前提下减小运算量并将算法移植到家用服务机器人平台是仍是一大挑战。本文围绕家用服务机器人行为识别课题展开,提出了面向家用服务机器人的行为识别算法方案,并对行为识别算法中的相关技术进行研究。论文的主要研究内容如下:（1）家用服务机器人行为理解专用数据集的提出与建立。通过分析总结家用服务机器人日常环境中常见行为,提出常见的行为类别。并分别根据行为类别搜集视频建立数据集,参照当前主流公开数据集的数据集格式来完成制作和标注工作。（2）基于压缩视频的行为识别算法的提出。通过对比研究现有行为识别算法,结合家用服务机器人设计要求和工作环境,提出面向家用服务机器人的行为识别算法方案。且为适用移动机器人平台,尽可能降低算法对硬件性能的要求,加快算法的运行速度,在公开数据集和自建数据集上实验来对算法进行测试和评估。（3）对行为识别算法模型进行了压缩与加速。对当前常用模型压缩与加速方法进行归纳与总结,在此基础上提出基于动态卷积核剪枝的模型压缩算法,在较小的准确率损失下加速了模型的推断速度,使其适用于算力不足且实时性要求较高的家用服务机器人平台。