视频行为分析是计算机视觉领域重要的研究课题,在智能安防、医疗监护、人机交互、虚拟现实、自动驾驶等领域有着广泛的应用价值,其目的是利用计算机检测视频序列中运动数据获得符号化的动作信息,然后从动作符号中抽取动作特征并进行理解从而实现动作分类或检测。然而,由于视频内容的复杂性和行为的多样性,行为分析任务面临着巨大挑战。现有的视频分析方法虽然能够较好地完成相应视觉任务,但是存在一定的局限性。现有识别和检测的模型多数局限于常规卷积的采样方式,难以描述行为的复杂的形变位移过程;复杂多变的背景噪声和相机位移的作用,使得视频包含大量冗余信息;复杂视频场景中蕴含着丰富的时间线索信息,模型难以对其充分利用来对行为进行表征。为此,本文从行为分析的人物外观特征出发,结合可变形卷积层对感受野的自适应性,在深度卷积网络中引入注意力机制,充分挖掘时空语境信息,提取视频特征中关键区域的显著性信息,强化行为表达过程。针对上述问题,本文的主要工作如下:（1）针对现有行为识别方法难以提取多形变的视频对象特征,本文使用可变形卷积和深度残差网络相结合的方法来对视频几何形变目标进行特征表达,设计了一种基于空间关注度的可变形卷积模块,通过提取输入数据的多视角特征来学习时空线索。在该模块的特征融合阶段,使用注意力机制让模型自适应地关注有效信息,提高行为分析效率。实验结果表明,本文提出的可变形卷积模块能够充分利用时空信息,在UCF101和HMDB51数据集上的准确率达到90.4%和64.8%,优于大多现有方法。（2）针对现有动作检测方法难以充分挖掘场景中语境信息,为了更加准确地对视频动作目标进行提议,本文结合可变形卷积,提出了基于多模态特征的动作检测方法,利用三维卷积和二维形变卷积分别学习帧间时序信息、光流信息和关键帧空间信息,并引入位置注意力机制和通道注意力机制对融合特征分配关注度权重,抑制冗余无效信息,实现对场景特征的充分有效利用,改善动作检测的精度。实验结果表明,该方法在UCF101-24和J-HMDB-21数据集上的检测结果优于大多数现有方法,提取的特征更充分,检测能力更强。