视频行为识别技术经过近几年的快速发展,已被广泛应用于安防、医疗、人机交互等众多领域。在过去,行为识别服务大都部署在云中心上,但随着行为识别研究逐渐由离线处理转为对视频流的实时计算和分析,以及大量视频数据源逐渐转移到边缘节点,云计算正变得不适合行为识别服务。因为远离数据源的云服务在接收数据时可能会面临网络拥塞、带宽不足等问题,不能满足较高的实时性要求。边缘计算是一种将计算任务和服务从云中心转移到边缘节点的新兴范式,其拥有低延时、服务安全性高等优势。利用边缘计算将行为识别服务部署在边缘设备上,正好弥补了云计算的不足。而现有的大部分行为识别方法是基于深度学习的,它们依赖大量的参数和运算。此时,将行为识别服务部署在边缘设备上不得不考虑边缘设备资源受限的问题。因此,研究轻量级行为识别方法具有重大意义。针对边缘环境资源受限的问题,本课题展开了对轻量级视频行为识别方法的研究,主要内容如下:（1）提出了一种基于DSconv-GRU的视频行为识别方法。该方法主要设计了一种融合自注意力机制和深度可分离卷积的GRU结构（DSconv-GRU）,并优化了模型的数据处理流程,从轻量化模型的角度降低视频行为识别服务对边缘设备资源的需求。实验结果表明,该模型达到了较好的轻量化效果,它保证行为识别服务拥有较好的识别精度的同时,还有着更小的资源占用率。（2）提出了一种基于弹性跳跃滑窗的动作启动在线检测方法。该方法通过让滑动窗口采取弹性跳跃的机制控制视频流的输入,使动作启动在线检测服务在不丢失关键数据的前提下,减少模型对冗余数据的检测,从而降低服务对边缘设备资源的消耗。实验结果表明,该方法在保持行为识别性能与对比方法相差不大的情况下,减少了动作启动在线检测服务中计算和存储资源的占用。