行为识别作为计算机视觉领域的热点方向,在多个应用领域发挥着重要作用。凭借着深度学习高效的数据处理能力与神经网络优异的表征能力,现有行为识别技术相较于传统方法已经取得了长足的进步。但人体行为本身的复杂性、背景的多样性、拍摄视角的多变性以及光照环境的差异性都给人体行为的准确识别带来了巨大挑战。为解决这一问题,本文在总结分析行为识别领域研究工作的基础上,进行了以下方面的研究:（1）针对行为识别中复杂背景干扰、视角转换、人员之间的相互遮挡及动作本身的细微变化带来的识别效果不佳等问题。本文提出了一种基于目标追踪优化的层次化时空特征融合行为识别方法。首先,采用姿态估计网络并结合多目标追踪过程,实现在复杂环境下视频序列骨架信息的准确提取;然后,采用层次化思想将骨架序列分为全局、双侧、四肢骨架层次,提取各层次的相对位置和相对速度特征,捕获多尺度的时空特征信息,增强行为特征的显著性表达;之后,通过Bi-LSTM网络抽取时空特征的双向上下文关系,获得行为特征的全局性表达;最后,融合多尺度时空显著性表达、全局性表达,通过全连接层实现行为识别。多数据集实验结果证明,该模型兼顾识别精度与速度,在复杂场景下表现良好。（2）针对现有行为识别方法在低光环境下识别效果不佳、鲁棒性较差等问题,提出一种基于特征引导的多模态聚合低光环境行为识别方法。首先,设计基于光照增强优化的骨架特征提取网络,利用光照增强算法提升姿态估计网络在低光场景下的骨架提取能力,采用层次化时空特征融合网络从获取的骨架序列中抽取侧重于人体行为本身表达的动作特征;其次,设计时空转换模块嵌入的表观特征提取网络,结合Resnet50网络与时间位移模块STSM高效提取蕴含丰富场景信息的表观特征;而后,设计基于特征引导的多模态聚合网络,利用特征引导策略执行RGB特征与骨架特征的深层信息交互,实现行为特征的全面性表征,缓解低光环境下单一模态特征表达缺失、信息利用率低、环境适应能力差等问题;最后,利用全连接层进行特征分类,完成行为识别。实验结果表明,所提方法可以较好的适用于低光环境下的人体行为识别任务。（3）随着人口增长及社会老龄化程度的加剧,老年人跌倒造成的危害不断变大,跌倒行为及时准确识别是老年人生命健康防护的重要环节。本文从这一实际应用需求出发,结合前文所提的两种行为识别方法,设计了一个满足全天候、多场景的跌倒行为识别系统。该系统通过设计“日间模式”、“低光模式”及“自动巡检模式”三种不同的使用方式,有效的完成了不同环境、不同光照、不同应用模式下的跌倒行为识别。