企业的服务质量对客户流量规模有着重大影响。近年来,为了提高企业的自身竞争力,国家电网树立“以客户为中心,专业,专注,持续改善”的核心价值观。围绕该核心价值观,为更好地提升客户满意度,许多供电营业厅采用人工监督的方法对员工的服务动作进行监管。然而使用人工监督方式对员工进行服务动作考核十分费时费力,因此研究一种智能识别服务动作的方法有着很大的应用价值。当前,由于卷积神经网络的动作识别方法具有方便快捷、识别精度高等特点,开始逐渐取代传统人工设计特征的动作识别方法,越来越多行业将卷积神经网络的动作识别方法应用到实际场合中。然而,服务动作与传统动作存在着两点明显的区别,一是有些服务动作非常相近且动作幅度较小;二是服务动作的场景都是类似的,无法通过分析背景信息得到动作种类。因此,使用传统的卷积神经网络进行服务动作识别会存在一定的局限性。除此之外,在研究时还需考虑卷积神经网络的模型大小、运算速度等需求。为满足服务动作识别的需求,本文提出了一种基于双流3D残差网络的服务动作识别方法。本文首先简要说明动作识别在国内外的研究现状,针对当前主流的室内动作识别方法进行了优缺点分析,再结合当前服务动作识别的需求与难点选择了卷积神经网络作为识别方法的基础。接着简析了卷积神经网络的算法与架构,阐述了迁移学习方法的应用。介绍了经典的2D、3D卷积神经网络方法和光流法的基本原理,并介绍了服务动作识别需要用到的背景差分法,为后续说明双流网络做铺垫。然后主要是对光流和图像流在服务动作识别中起到的作用进行研究,并对双流网络在服务动作识别中的有效性进行验证。首先分析了双流卷积神经网络在动作识别的优势,再针对服务动作识别的难点,提出了一种双流C3D（3D convolutional neural network）卷积神经网络。接着预设包括主动问好、介绍业务、办理业务和欢送客户等步骤的服务流程,并根据该流程建立服务动作数据集。最后将连续16帧堆叠的图像输入到双流C3D卷积神经网络进行实验。实验结果表明,虽然图像流表现出良好的识别精度,光流减少卷积网络识别对场景的依赖,但双流C3D卷积神经网络还存在着背景依赖、光流计算速度不能达到实时和模型占用空间大等问题,需要进一步解决。针对双流C3D卷积神经网络存在的问题进行分析并提出改进思路,提出了一种基于双流3D残差网络的服务动作识别方法。改进的地方主要有三个部分:（1）卷积神经网络的动作识别比较依赖场景信息,在视频输入网络前本文使用轻量化的KNN背景差分法对视频进行预处理,即先对人物进行提取,消去大部分的背景信息后,再进行训练。（2）Gunnar Farneback稠密光流法虽然有效,但计算速度偏慢,且光流图像存在一定的噪点,因此使用了TV-L1（Total variation-L1）稠密光流法进行替换。（3）针对C3D网络模型占用空间大的问题,使用了计算速度更快、模型更小、抗过拟合能力更强的3D残差网络进行代替。最后对双流3D残差服务动作网络的性能进行实验测试。首先进行了实验设计,说明了实验的参数设置与过程。再对实验结果进行分析对比,相对于C3D网络,使用3D残差网络能节省41%的模型占用空间;在光流计算速度上,使用TV-L1方法较Gunnar Farneback方法提高了约60%,能满足服务动作识别的需求;双流3D残差服务动作网络的识别正确率达到了92.85%。