近年来,计算机视觉领域不断发展,人体行为识别技术也随之渐渐变为该领域各专家研究的热门方向,该技术在很多领域都具有广泛的应用价值,这些领域小到人机交互、视频检索,大到智能安防和安全驾驶。近几年,深度学习技术得到了良好的发展,采用深度学习的识别方法逐渐替代传统方法,人体行为识别技术取得了突破性的进展。深度学习主要存在两方面的问题:一是网络参数量大、计算复杂度高;二是网络容易造成过拟合。针对这些问题,本文的研究工作如下:首先基于Dense Net网络,利用三维卷积进行扩展,以提取视频中的运动信息,在有效提高准确率的同时减小参数量。Dense Net采用密集连接的方式,具有特征复用的优势,重复使用图像中的特征,提高特征的利用率,减少整体网络的参数量,降低训练过程中的计算量,在一定程度上减轻了梯度消失现象。三维Dense Net能更好的识别视频中的运动信息,提高行为识别的准确率。在使用的3D-Dense Net-BC网络的基础上,将其中的Re LU激活函数替换为Maxout激活函数,将Maxout激活函数搭配Dropout方法使用,可有效地减少网络训练时的过拟合。与此同时,可提高该网络训练时的收敛速度。为了提高网络模型的泛化能力,本文将网络模型中的Average Pooling(平均池化)用Stochastic Pooling(随机池化)来代替,随机池化与平均池化在平均意义上相近;在局部意义上,则服从Max Pooling(最大池化)的原则。在降低过拟合上,Stochastic Pooling的表现优于Max Pooling,有效地提高泛化能力;另外使用Stochastic Pooling的网络比使用Average Pooling的网络具有更好的识别效果。通过实验验证以及测试,本文提出的基于3D-Dense Net-BC改进的人体行为识别方法在人体行为识别数据集UCF-101和MERL购物数据集上面取得了很好的识别效果,识别率分别为95.62%和88.40%,有效地减少了网络的参数量,提高了网络的泛化能力。