视频动作识别是计算机视觉研究中的热门领域,其目标是识别一段视频中人物的动作。传统的图像识别中,图像的空间信息,包括纹理特征、形状特征及上下文关系等是算法所需要提取的最关键的信息,很大程度上决定了分类结果的好坏。然而,在视频动作识别中,除了静态图像的空间信息能影响分类的结果,动态的时间信息如运动信息,长时依赖关系等也起到了至关重要的作用。传统的动作识别算法一般通过提取静态图像的空间特征来进行识别,或者通过一些额外的算法来提取视频的时间信息。之后对这些分离的信息进行分类,并将结果融合成视频级别的分类结果来实现视频动作识别的目标。然而,在视频中,空间和时间信息往往是密不可分的。分离地提取时间和空间特征并且进行分类无法最大程度地融合两个维度的信息,导致识别的结果欠佳。因此,基于以上观察,本文提出了一种基于深度学习的时空特征学习方式,通过融合卷积神经网络和循环神经网络,在网络前向传播的过程中同步学习时空特征用于视频动作识别。通过使用残差网络和卷积长短期记忆网络,本文设计了一个循环残差网络,在标准数据集上训练并测试,使视频动作识别的效果有了显著提升。并且通过对不同的网络结构进行实验,本文论证了时空特征学习在视频动作识别任务中的重要性。