人体行为识别是人工智能以及计算机视觉领域中一个重要的研究课题。在平日生活与工作中,具有人体行为识别能力的智能设备在人机交互、视频监控、无人驾驶等方面有着重要应用,同时人们对此类产品的需求日益增加。因此,对于视频人体行为识别的研究具有一定价值和意义。本文主要对视频人体行为进行识别,围绕使用深度学习实现人体行为识别的关键技术展开研究,具体的工作概括如下:1.针对有限人体行为视频样本集上的行为识别问题,首先设计了一个更合理且更有针对性的双流卷积神经网络。然后,为提高该网络的训练收敛速度和减轻网络训练时过拟合的程度,引入Maxout激活函数替代ReLU函数改进初始网络。最后,为进一步提高网络的识别能力和泛化能力,使用Stochastic Pooling方法来改进网络的池化操作。实验结果表明,使用本文设计的双流卷积神经网络可有效完成识别视频人体行为的任务。2.针对如何充分利用双流卷积神经网络提取的视频行为特征提高网络识别能力的问题,提出了基于双流卷积神经网络的得分特征融合方法。首先,分析双流卷积神经网络中得分特征的类型和融合时机。然后,针对网络中不同阶段的特征融合时机设计了两种具体的融合方法,即单帧时空特征提取后的多特征融合方法和视频单流特征提取后的双流特征融合方法。最后,在KTH人体行为数据集上使用本文设计的双流卷积神经网络分别结合以上两种特征融合方法完成识别视频人体行为的任务。实验结果表明,本文设计的得分特征融合方法可有效提高双流卷积神经网络的识别率。其中,使用视频单流特征提取后的双流特征融合方法得到的网络识别率最优,且该识别率比其他传统算法更佳。