人类行为识别属于计算机视觉和行为模式识别领域,在最近的几年逐渐成为了一个热门课题。在人机交互、安保监控、及基于内容的视频检索等方面,行为识别都有巨大的实际使用价值,行为识别的作用随着信息化的建设正日益突出其重要作用。同时,行为识别对计算机视觉的其他领域也有一定的促进作用,例如人脸识别、步态分析等。过去由于科技的限制,大部分行为识别都基于2D的视频和图像,识别的效果都不理想。随着深度摄像头等3D技术的发展和普及,人类行为识别也逐渐从平面的特征识别向立面的特征识别发展,3D行为识别成为人类行为识别的主要研究方法,本文的研究正是在这种情况下提出的。在采集运动特征的过程中,不同的运动速度会导致产生的数据在时间序列上出现较大的差异。因此在行为识别的过程中,数据对齐是影响识别的准确率的重要因素。本文的研究主要集中在运动特征的对齐和修正上。本文运用了一种利用李代数描述特征进行行为识别的方法。为了使这种行为识别方法获得更好的效果,本文尝试将深度典型时间规整运用到了李代数特征表示方法上。深度典型时间规整在数据对齐时使用了深度学习的方法,运用到李代数特征表示方法上能得到很好的效果。同时,为了降低计算的时间,本文对深度典型时间规整的网络结构做了一些改进,并利用相关性修正了测试样本,改善了实验结果。