近年来,伴随计算机视觉技术的日趋成熟,人体行为识别研究也得到了飞快发展,并且已经广泛被用于人们日常生活中的方方面面,如安全保障、休闲娱乐和医学诊断等都有行为分析的参与。可以说,人体行为识别在日常中的应用与每个人都息息相关,它使我们可以通过更加智能、更加高效的方式来进行劳动。在众多行为识别方法中,使用模板对动作进行描述及匹配的方法是一种比较简单直观、所需计算量较小的方法。基于模板匹配的人体行为识别方法中,如何对动作进行描述和获得动作描述符的什么特征对于动作的表达举足轻重,对后续的分类效果起决定性作用。因此本文主要从这两部分对人体行为的分类识别进行研究。本文首先介绍了运动对象检测与跟踪的一些方法,基于成功检测和跟踪才能够进行识别工作;然后对于经典的行为识别方法,例如基于单词包算法的人体行为识别、基于隐马尔可夫模型的行为识别、基于动态贝叶斯网络的行为识别和基于光流模板的行为识别方法进行了研究。经过对上述内容的学习,本文提出两种方法:第一种是从特征提取角度出发,基于Weizmann数据库进行验证,提出结合运动历史图像和运动能量图像的小波矩和区域光流特征的特征描述方法来表达动作,最后以欧式距离来衡量待测视频与模板之间的相似程度,从而得到识别结果;第二种是从动作描述角度出发,提出结合最大光流图像和运动历史图像的动作描述方法,提取它们的HU矩特征,最后以UT-interaction和KTH行为库为实验平台,使用支持向量机进行分类学习。实验表明,这两种方法均使得识别效果有所提高。