目前人体动作识别研究已经取得了显著成果,并且广泛应用于各行各业,如视频监控、自动驾驶等。其中基于深度学习的人体动作识别发展迅速,在标记数据充足的情况下,有监督学习方法可以取得令人满意的识别表现。然而,运动种类的多样化以及视频背景的复杂化使得人体运动视频的标注需要耗费大量的人工成本,这严重制约了有监督人体动作识别方法在实际场景中的应用。由于小样本学习和零样本学习方法能够在不依赖大量标记数据的情况下实现对未见动作类别的识别,近年来,基于小样本和零样本学习的动作识别方法获得了研究人员极大的关注。本文分别对小样本动作识别和零样本动作识别进行了研究和实现。（1）小样本动作识别研究。小样本动作识别的研究重点在于学习不同种类的动作之间的相关性。本文针对传统的基于RGB的时空特征（如C3D）易受复杂背景信息干扰而降低判别性的缺点,提出了一种基于双流架构的小样本动作识别模型DFSAR。该模型通过引入光流特征有效降低了复杂背景信息对特征判别性的影响。主要工作和创新点如下:将光流特征引入小样本人体动作识别,通过融合光流特征与基于RGB的时空特征以有效捕捉不同种类运动之间的相关性;提出了一种新的可进行端到端训练的双流结构（C3D+TSN）用于实现小样本动作识别;在HMDB51和UCF101数据集上的大量实验表明,该模型在小样本动作识别方面和现有方法相比有一定提高。（2）零样本动作识别研究。零样本动作识别的研究重点在于如何学习动作与其标签之间的相关性,主流方法是基于有标签数据建立视觉-语义的联合嵌入空间并将其用于不可见类动作的识别。然而,大多数的零样本动作识别方法直接基于预训练的时空特征提取模型建立视觉空间,使得视频序列中反映动作-标签相关性的显著性因素被淹没。对此,本文提出了一种基于注意力机制的零样本动作识别模型ADZSAR。主要工作和创新点如下:提出了一种新型基于注意力机制的特征提取方法,可针对不同种类的动作自适应提取特征中的显著性信息,以构建一个非冗余的视觉空间;引入当前最先进的语义嵌入模型（Word2Vec）以有效提取类标签的语义嵌入信息;在数据集HMDB51和UCF101上的实验表明,该方法在同类基于时空特征的零样本动作识别方法中表现最佳。（3）根据上述研究成果,本文设计并实现了一个小样本和零样本动作识别系统。该系统使用Pytorch深度学习框架搭建,通过将预训练模型部署在服务器上,实现了小样本和零样本动作识别。系统主要包括数据预处理模块、模型处理模块以及结果展示模块。该系统运行稳定、分类效果较好,证明了本文提出的小样本和零样本动作识别模型在实际场景中的实用性。