近年来,人体动作识别已成为计算机视觉领域的重要研究方向,广泛应用于人机交互、视频监控、虚拟现实等领域,对于人工智能发展有重要的推动意义。动作识别在受限的实验环境条件下获取的数据集上表现了接近饱和的高性能,部分科研工作重心逐渐转移到真实环境下的多视角识别。此外,从2008年美国国家标准与技术研究院举办的监控事件检测(Surveillance Event Detection)比赛后,监控环境下的动作识别问题仍然是一个比较困难的问题。为了研究以上问题,本文首先介绍了人体动作识别领域中代表性数据集,分门别类的介绍了人体动作识别方法中传统的特征以及新兴的深度学习方法。其次对论文的两个主要研究内容进行了详细论述:其一,跨视角的人体动作识别算法。本文运用跨视角人体动作识别算法对多个视角的特征信息进行融合,使得模型能够有效地学习多视图之间的共有信息,来更好的帮助识别人体动作。其二,跨域动作识别算法。跨域学习方法主要应用于具有不同数据分布的数据集之间的学习,本文运用现有的跨域的人体动作识别算法解决多视图信息提取问题,将多视图的共有信息应用于表征相似的以及完全不相似的未知视角,可以更好地识别未知视角下的人体动作。最后,本文介绍了两种不同类型的多视角数据集,一种是由监控摄像头拍摄的数据集,用于研究在未知的监控视角下的动作识别,另一种是由受限的实验环境条件下获取的大规模数据集,用于研究大规模数据集上对于未知视角的动作识别性能的影响,并介绍了由四个受限实验条件下获取的数据集的部分动作组成的新数据库,用于未知视角下动作识别评测。本文针对上述数据库通过特定实验设置进行评测,并通过详细分析和对比验证方法可行性。