随着信息时代的快速发展,视频逐渐成为数据存储的载体。因此视频理解作为人工智能中一个重要的研究领域,受到各方面学者的关注。人体动作识别作为其中的代表任务,可广泛应用于智能监控、团体活动分析、视频摘要生成等诸多领域。人体动作识别(又称行为识别)是指在给定的一段视频序列中,判断其中包含的动作类别,例如跑步、握手、拳击等。但与基于图像的目标识别、检测等任务不同的是,视频数据较为复杂,帧间相似度较高,直接处理极易导致模型陷入过拟合,并且需要较大计算能力。因此,如何设计出高效的人体行为识别算法成为当下亟需解决的问题。本文基于深度学习中的卷积神经网络和注意力机制,从动作时序性和空间联系性角度出发,设计出两种新型的动作识别算法,通过实验证明了所提出的结构有效提升了动作识别的准确率,同时做了一系列扩展实验,探索不同因素对人体动作识别的影响。本论文的主要工作如下:1、对传统数据预处理方式进行优化,抛弃视频抽帧步骤,降低冗余解码步骤,大大减轻硬盘存储压力,也减低数据读取死锁情况的发生。提出的方法采用在线学习的方式进行数据装载,以视频文件为样本主体,利用指针进行滑动,读取所需的关键帧,大大提升了计算效率,同时也加快了模型迭代所用时间。针对数据碎片化后迁移成本较高,本文利用HDF5文件格式,将光流特征进行封装,增强了数据的便携能力的同时,也提高了I/O利用率。2、由于动作基于时间发展,使得不同动作在时序上均表现出该动作特有运动变化模式。针对上述特性,本文设计了多种时序捕捉模块,探索其对动作识别任务准确率的影响。通过大量实验分析,本文创新性提出了Multi-Head Sigmoid Self-Attention模型用于动作时序捕捉,利用Sigmoid完成注意力值的激活,减少时序特征间的强竞争性,并结合Mutli-Head结构进行多组模版关系学习,生成更加强健的特征,通过在HMDB51数据集上实验证明,提出的模块可有效的提高人体动作识别的准确率。3、动作往往是由多个目标间的相互作用而形成的,目标间存在较强的联系,并且图像上各区域对动作理解所作贡献也不尽相同。因此本文提出空间注意力网络用以抓取空间上物体之间的关系,并结合残差结构设计出多种激活方式,实验证明,空间注意力网络可有效的提升人体动作识别准确率。4、本文将神经网络训练中的一些训练策略迁移至动作识别领域进行实验,探索激活函数、训练策略、网络深度等因素对人体动作识别的影响。