随着互联网的蓬勃发展,视频资源日渐丰富,公共场所的监控摄像头越来越多,网络视频的流量飞速增长,信息传播速度进一步加快,导致视频信息的安全性问题逐渐暴露出来,因此基于视频的暴力行为识别越来越受到关注,而从视频中自动识别犯罪场景变得至关重要且具有挑战性。目前,在暴力行为识别任务上,主流的方法是基于深度学习的,但普遍会存在两个问题,（1）目前很多深度学习网络模型都是基于C3D网络结构作为骨干网络进行识别,虽然3D卷积对视频序列进行特征提取时可以同时提取时域维度和空域维度的特征,但是计算成本较高和模型存储太大,不易部署在视频监控场景下的移动设备或嵌入式设备上。（2）针对密集人群难以建模,高密度人群下行为较为复杂,一些暴力行为识别模型无法根据特定的场景进行识别。针对问题（1）,首先本文设计了3D分离卷积因子验证了传统的C3D模型存在模型参数量大,计算量高等问题,然后在3D分离卷积因子的基础上,设计了渐进融合双流模型,并且通过渐进融合的方式将视频信息和光流信息进行信息交互,增强了双流特征信息之间的通信,并在此基础上采用self-attention的方式使模型可以捕捉视频中的长距离依赖,并自注意力地对融合的特征学习中暴力的部分赋予高权重,非暴力部分赋予较低权重,以此来提升模型对暴力行为识别的准确率。最终在Hockey Fights数据集上得到的准确率最优结果为98.26%,与目前已知最优模型相比提高了0.76%的准确率,在Movies Fight数据集上平均准确率为100%,与目前已知最优模型持平,在RWF-2000数据集上提升了1.09%的准确率,参数量减少了24.06M,计算量减少了19.77G FLOPs。针对问题（2）,在高密度人群场景下,人群比较密集,不易识别人群之间是否存在暴力行为,本文引入人群密度图作为先验信息,来辅助识别高密度场景下的人群暴力行为,同时针对密度图融合的方式设计了点乘和注意力机制方式进行特征融合,从而来识别高密度场景下的暴力行为。在Violent Crowd数据集上进行实验,得到的准确率最优结果为90.21%,与目前已知最优模型相比,提高了1.32%的准确率,参数量减少了24.05M,计算量减少了19.96G FLOPs。