视频中人体行为的自动识别是指从原始视频数据中自动识别出对应的人类动作。人体行为识别是进行视频语义理解、视频结构化描述的关键技术。相较于视频中的车辆的识别,人体行为由于其行为种类多,就需要更准确地识别。而且,在获取的视频中,由于存在着各种客观因素,如视频的画面抖动、复杂背景、视角变化等。对此,现有的人体视频行为识别算法对于以上这些问题的处理仍然受限。本文通过利用时空信息融合,分析视频中的关键人体行为信息的重要特征,本文主要结合深度学习模型和注意力机制方法,还有与视频理解相关的时序与空间知识三方面进行深入研究。针对上述问题,本文对视频数据中的人体行为识别模型进行改进,以此快速准确地检测行为的识别与分类。主要研究内容有以下几个方面:（1）视频数据在时间和空间维度上均具有复杂和冗余的信息,为了解决这个问题,提出了一种基于动态时空信息融合的视频行为识别方法。该方法是为了筛选出关键的相邻视频帧之间权重变化的时序信息和空间信息,利用时空特征去计算像素特征之间的差异。将动态的时空差异分解为两个分支进行处理,一个分支用于修正相邻视频帧之间的动态变化特征上的时空位移,另一个分支用于捕获此时间差上的上下文信息。在当前视频帧中,利用这个时空差异来计算像素之间的权重影响,并且对空间差异的像素点的概率分布进行建模。此改进的方法提高了视频识别任务方面的性能,并在公共数据集上证实了其有效性和效率。其中,此模型的平均准确率分别都有1～2%以上的提升。（2）针对基于Res2Net网络模型在视频中人体行为识别的准确率不高等问题,提出了一种基于注意力机制改进的视频人体行为识别网络,通过级联的方式分别加入改进的空间注意力模块与改进的通道注意力模块。其中,空间注意力模块直接从特征图中提取权重大的关键像素信息,提高了像素空间关联的准确性,进而聚合了像素点之间的信息。通过加入改进的通道注意力模块,抑制静态背景信息,对结合了这两个模块的人体行为识别模型进行研究。实验结果表明,在不增加参数量的同时,比其他的网络模型表现更好,整体提升的准确率达到了2%左右。此模型可以有效的提高视频人体行为识别的精度。