动作识别作为计算机视觉领域的重要组成部分,被广泛应用于智能视频监控、视频检索、虚拟现实等领域。目前,基于骨骼点的动作识别是人体动作识别领域的主流方法。人体骨骼点的生成主要依赖于人体姿态估计模型,然而现有的模型容易受到复杂背景影响,导致所产生的骨骼点不准确甚至丢失。同时,所获取的骨骼点是一种非结构化数据适用于图卷积网络进行处理。大多数基于骨骼点的动作识别方法在图卷积网络的所有层使用固定的骨架图,限制了图卷积网络的感受野并增加了计算量。另外,当前人员行为识别系统往往忽视人体与物体的交互关系,导致人-物交互类型行为（如:扔垃圾）较难准确地识别。本文针对这些问题展开了以下研究:（1）针对人体姿态估计模型容易受到复杂背景影响的问题,本文提出了基于分割引导的深度高分辨率网络。首先,提出分割引导模块,产生以骨骼点区域为前景的分割图,引导模型关注骨骼点区域,降低背景区域对预测结果的干扰。与此同时,计算生成的分割图与真值分割图的之间的差异损失。然后,根据任务的收敛速度,使用动态加权平均算法来协同分割损失与姿态估计损失在最终损失中的占比。最后,模型输出各骨骼点的热力图,并选择热力图中得分最高的位置作为骨骼点的位置。本文在MPII和COCO 2017人体姿态估计数据集上进行了一系列的对比实验,证明了所提出的人体姿态估计方法应对复杂背景的有效性。（2）针对动作识别模型中图卷积感受野受限和计算量大的问题,本文提出了多尺度子图并行预测图卷积网络。首先,设计了骨骼点采样模块,根据不同的融合策略产生不同尺度等级的骨架子图,多尺度骨架子图可以扩展图卷积感受野,有助于全局上下文信息和局部运动特征的提取。然后,提出了运动注意力模块,使用帧间特征图,建模特征级别运动信息,有效降低计算成本。最终,模型在NTURGB+D和Kinetics-Skeleton动作识别数据集上进行实验,得到了更好的效果。（3）针对人-物交互类型的扔垃圾行为较难准确识别的问题,本文设计了一种有效的扔垃圾行为识别流程,提取人-物交互运动信息和物体运动信息,提高扔垃圾行为识别准确率。在此基础上,设计开发了一个社区人员异常行为识别系统,能够对社区内人员扔垃圾、摔倒、打架、奔跑四种异常行为进行识别和预警。