人类视觉和行为识别技术是人工智能视频技术、计算机科学和视觉技术领域的重要学术研究主题。由于视频的人体动作识别其在视频监控、安防监控系统、人机交互等领域的广泛应用,人体行为识别的研究具有重要的学术研究价值和意义。由于人的运动的复杂性和外部环境的多变性,使得人体行为识别具有一些挑战,学术界对于人体行为识别的研究工作不断革新方法,相关的理论研究也逐渐深入,在视频处理和大数据分析等应用领域都有很大的成就。目前的人体行为识别方法对短视频中的人体行为识别处理效果较好,例如双流神经网络、3D卷积神经网络、时空卷积神经网络等识别方法。这些行为识别网络的视频输入或是随机选择的一个原始的RGB图像,或是选择堆叠一组密集的RGB图像,或是一组光流图。但是对于长视频而言,密集的选择一组图像帧无法比较客观的表示全局信息。因此本文从短视频的理论与技术实际的角度出发,针对长视频的人体行为识别提出了一种基于关键帧的局部信息融合的分段视频识别网络(Key Frame Segment Network,KFSN),该方法将长视频分为等长的多段视频分别进行人体行为的识别,再把分段的短视频的识别结果进行融合。这种网络是基于长时间建模的思想,它很好的结合了稀疏时间视频采样的策略,使整个动作视频可以进行高效的学习。本文中所提出的识别方法已在公共数据集UCF101和HMDB51上进行了大量实验。实验结果表明,本文提出的KFSN网络能够取得较好的行为识别效果,在UCF101可以达到95.1%的识别率,在HMDB51上可以达到70.1%的识别率,优于一些现有的行为识别网络性能。