人体行为识别是计算机视觉中一种重要的场景分析技术,目前已经得到广泛应用。基于视频的人体行为识别方法存在识别率不高的问题,这与视频帧提取中关键信息丢失、冗余信息较多等因素有关,也与在面对复杂场景时,使用单一特征难以对人体行为进行充分表达等因素有关。本文针对关键帧提取和人体运动视频的多特征表达进行研究,主要工作和创新点如下:（1）针对基于关键帧提取的人体行为识别,提出了一种基于动态双向时空切片聚类的关键帧提取算法。该算法首先使用基于人体掩膜热力图的动态时空切片位置选择方法计算出水平和垂直切片的位置,实现了两个方向上切片位置的动态选择,进而完成双向时空切片图像的提取。对双向时空切片聚类后,根据结果进行候选关键帧的提取,并使用筛选方案得到最终的关键帧。为了对比,在进行动态时空切片位置选择时还考虑了基于活动强度图的方法和基于人体目标检测框热力图的方法。实验结果表明,本文提出的关键帧提取算法能有效解决现有方法中普遍出现的信息冗余、关键信息缺失等问题,关键帧提取效果良好,有助于后续的人体行为识别。（2）提出了一种融合关键帧的多特征人体行为识别算法。该方法考虑到现有识别方法使用的浅层网络表征能力弱的问题,以Res Net101为基准网络搭建三流网络模型,在提取出关键帧序列后,使用空间流、时间流和骨骼流作为三个分支,提取出了RGB图、堆叠光流图、骨骼置信图的深层特征,最后使用决策级融合策略得到最终结果。实验结果表明,骨骼特征能够很好地作为RGB图像特征与光流特征的补充,关键帧的引入也能够有效提升人体行为识别的准确率。本文提出的关键帧提取算法,和以此为基础构建的人体行为识别三流网络,均在公开数据集上进行了实验和比较,验证了本文方法的有效性。