人体行为识别是人工智能与模式识别领域内的一个新的研究方向，具有极其广泛的应用前景。本论文针对人体行为识别中的时空特征点检测、特征提取、行为分类等关键技术进行研究，提出快速时空特征点检测方法和复合时空特征提取算法，建立基于词袋模型与潜在狄利克雷分布的行为识别模型，本论文的主要研究内容如下：(1)提出快速时空特征点检测算法，首先根据二项式概率分布原理分析局部邻域的像素分割阈值，然后通过分割阈值将局部邻域分割两部分，计算两部分像素数量的比值，根据比值确立候选时空特征点；最后采用三维空间非极大值抑制的方式剔除冗余点，确立时空特征点的准确位置。实验结果表明：本文时空特征点检测算法具有较高的检测速度，同时能够稳定的提取足够数量的特征点，消除冗余时空特征点，并保持较高的行为识别效率。(2)建立复合时空特征提取算法，本文将空间域二维特征与时间域的光流特征融合，作为复合特征来描述不同种类行为。其不仅描述局部行为特征的空间分布情况，也考虑行为的运动信息。实验结果表明：相较于其他二维特征，本文的复合时空特征在行为识别中具有较高的行为识别准确率。(3)建立以词袋模型为基础的行为识别模型，首先根据提取的行为特征通过聚类算法构建行为特征词典，然后根据行为特征词典对每种行为进行特征向量描述，最后将特征向量输入潜在狄利克雷分布主题模型并训练行为识别模型。实验结果表明：本文的行为识别模型与SVM行为识别模型相比，具有更高的行为识别准确率以及更高的行为识别效率。