稀疏数据背景下的人体行为预测在现实生活中存在着广泛的应用场景,不仅可以在部分数据丢失的情况推测事情的发生过程帮助还原事件真相,也可以在异常行为发生前期预测其后果,防患于未然。人体行为预测通过对正在进行中的行为进行早期推断,仅利用已观测的部分行为数据进行分析,预测出即将完成的行为类别。然而当前国内外对视频中人体行为预测的研究工作较少,尤其在不完整数据的情况下,本文主要针对预测模型的实时性和特征优化问题两方面进行研究,主要工作如下:第一,为解决利用有限的目标观测视频数据对行为类别进行实时推断,使其在计算资源受约束时,均衡预测精度和实时性,本文提出一种基于稀疏编码和滑动窗口策略的SCSW预测算法。通过将每种行为分成多个有序的子片段,提取训练视频子片段的时空特征作为基向量,并使用稀疏编码对其重构,运用滑动窗口的策略,依次计算窗口内目标观测视频子片段与训练视频对应子片段之间的相似度。最后联合所有相似度得到目标观测视频属于某类的后验概率。第二,为了更高的预测精度,需要捕捉高效的能最大化区分类间差异最小化类内差异的特征,本文提出一种基于统计的特征优化算法。通过扩大同一行为同一子片段的特征样本,计算每种特征在样本中的频数和方差,经过数次迭代,筛选出每种行为每个子片段稳定的最有代表性的特征。进一步,在特征优化的基础上,使用神经网络算法对缺失前段视频中的行为进行前向预测。最后,本文在两个国外公开的人体交互行为数据集上进行实验。实验证明本文提出的SCSW算法在提高了模型实时性的前提下仍然保持较高预测精度;以及验证本文提出的特征优化算法的有效性。