视频中的人体行为识别在计算机视觉中占有重要的地位,有着广阔的应用前景和潜在的经济价值和社会价值,受到了世界各地研究机构及研究者的关注。先前的人工特征泛化能力不强,通过人工特征进行行为识别的方法局限性较大。近年来,随着深度学习的发展,基于深度学习的行为识别受到了广泛的关注。但是,行为识别仍然是一个具有挑战性的问题,本文针对现有行为识别方法进行总结分析,给出了以下贡献:首先,本文构建了一个金字塔空间-通道注意力模块。其中,空间交互注意力子模块考虑了空间位置间的交互,通过交互影响获得注意力以及更加准确的特征表示;通道注意力子模块通过挖不同掘通道之间的不同重要性,进一步改善语义的特征表示;进一步地,通过引入金字塔结构,它可以从多个尺度描述特征,使特征更加完备。接着,本文构建了一个特征映射和时间交互注意力模块。特征映射可以维护稠密帧的时间顺序信息,简单有效。时间交互注意力模块能够探索不同视频帧之间的相互影响,并进一步获得时间注意力,建模视频帧之间的相互依赖关系。然后,本文建立了一个静态-运动特征协同模型,并以交替训练方案进行优化。此模型能够协同探索鉴别性的静态信息和运动信息,并学习鉴别性静态特征和运动特征的强互补性,使静态信息和运动信息能够相互引导增强特征学习。静态特征和运动特征经过静态-运动特征协同模型优化之后,分别得到了静态流和运动流的预测分数。由于静态信息和运动信息对不同语义类的贡献是不同的,因此,本文提出了一个自适应融合方法。该方法不仅能自适应地学习静态流和运动流的融合权值,而且能利用类之间的关系进一步提高网络性能。本文的方法在UCF101和HMDB51数据集上进行实验,并与最先进的方法做比较,实验结果验证了本文提出方法的有效性及先进性。最后,对本文提出的方法进行总结并进一步给出行为识别发展趋势与方向。