在信息化社会,每天都有大量的信息产生,信息量过大势必造成信息冗余,因此造成效率下降。人们迫切希望有一个智能识别信息的载体来帮助人们对事物有选择性的认知。行为识别是计算机视觉领域一个重要的应用,可以在一定程度上缓解这个问题。目前行为识别在智能监控系统、智能机器人、游戏娱乐、虚拟现实方面有着广阔的应用前景和深厚的经济价值。由于人体行为识别技术挑战性和巨大的应用价值,这激发了越来越多的科研工作者的兴趣,然而大部分行为识别仍然针对简单动作,且只对某一特定的研究方向有较好的识别结果。本文主要研究简单动作行为识别,分别在Weizmann和KTH数据集中做测试。在运动检测方面,用帧间差分法得到运动区域。详细介绍SIFT、SURF、 ORB算法,并在尺寸变化,旋转变化和平移变化中比较它们的性能.最后得出用SURF算法作为本文的特征点检测算法。视频中人的外形轮廓信息和速度信息反映人的行为。HOG描述子在描述边缘轮廓方面具有巨大优势,HOF描述子可以反映运动物体的速度信息。因此,将HOG描述子和HOF描述符通过串联的方式进行特征融合得到一个强的描述符。把描述符看做词袋模型,通过K-means聚类方法将其聚成4000个类,得到聚类中心。通过计算视频中其他描述子到字典的欧氏距离,将描述子映射到特征直方图,由此得到特征向量。在分类识别方面,选用SVM作为本文的分类器。分别在不同的数据集中多次测试,多次测试结果的平均值作为本实验的实验结果。对比国际知名期刊和会议所提出的方法,证明本文所提的方法具有一定的有效性和通用性。