红外热成像图像中的人体行为检测是指在红外热成像图像数据中分析出人体目标进行的行为动作并生成符合用户浏览的描述语句,红外热成像数据包括视频、系列图像和单帧图像。该技术在危险行为检测、图像检索、人机交互、智能看护等领域都具有广泛的运用前景,因此逐渐受到更多学术界和工业界研究学者的广泛研究。当前人体行为检测算法在原始数据中存在大量冗余数据以及未利用人体行为和周围目标的相关性、人体行为的连续性和多张图像之间的时序性等问题。为解决上述问题,本文提出了红外热成像图像中的人体行为检测算法,以红外热成像图像为基础,结合深度学习算法对人体行为检测技术进行研究,实现红外热成像图像中的人体行为检测,本文主要研究内容包括:（1）针对目前使用的红外热成像数据中存在数据冗余和较多与人体行为不相关图像等问题,提出基于改进孪生网络的图像关键帧提取算法。首先,采用针对本文改进的VGGNet-16网络取代原始孪生网络中的Alex Net结构,改变数据输入方式,采取2-channel输入模式,同时依次输入两张相邻帧,利用VGGNet-16网络提取图像的特征信息,使用该网络最后全连接层的1000维度信息进行图像相似度计算,依据预先设定的双阈值,实现原始图像的初步分类;然后,利用基于改进YOLO v3网络模型实现图像中的目标识别,使用目标识别信息,对初步的分类图像进行筛选,完成最终的图像关键帧提取工作;设计改进的VGGNet-16网络和YOLO v3网络组成并行结构,降低了本文算法的模型深度。实验结果表明,该算法可以有效解决数据冗余问题,提取的关键帧更具针对性,在不同数据集上平均准确率为92.5%,平均提取时间为22.5s,明显提高关键帧提取速度和准确率等相关性能,为本文后续工作的进行奠定良好基础。（2）针对目前红外热成像图像中的人体行为检测算法中未利用图像中人体行为与周围目标相关性、系列图像时序性以及检测描述过于简单等问题,提出基于改进视觉词袋编码模型的人体行为检测算法。首先,采用注意力机制模型,实现图像中不同目标对于人体行为检测影响权重的初次赋值;然后,利用改进的YOLO v3网络获取的目标空间位置信息,更新不同目标的权重信息,最大化利用与人体行为有关的目标信息,基于改进视觉词袋模型,完成图像词汇信息的编码;最后,通过系列图像的时序信息,利用双向长短期记忆网络（Bi-LSTM）进行解码,并使用KL散度与人为标注的数据标签,构建损失函数进行网络的训练。实验结果表明,该算法生成的人体行为描述语句与图像画面信息基本符合,在数据集上平均精确率达91.0%,且具有较快的检测速度和较高的鲁棒性;本文提出的关键帧提取算法能进一步提升该人体行为检测算法的性能。