随着科技的日益发展,计算机视觉的技术逐渐步入了每个人的工作与学习之中。在计算机视觉领域中,使用机器学习的方式来识别人类特征是当下的研究热点和难点之一。行为识别技术在日常生活中屡见不鲜,在生活中和工作中呈现愈发普及之势。例如在人机交互、自动驾驶、工农业的自动化监测等方面有着非常长远的发展前景。在行为识别中,迁移学习和半监督学习是在该领域下较有效的两种机器学习方法,可以利用已掌握的数据特征来使计算机自主学习同领域以及跨领域中的相似行为,这样解决了在视频和图像中的训练样本较少导致的学习效率低的问题。并且随着教育的愈发普及,国家对教育也愈发重视,在校大学生的数量也逐渐变多。因此,本文为提升学生校园安全以及行为识别中的识别效率,提出了一种同领域下的半监督迁移学习的学生行为识别算法。本文首先利用迁移学习的方式来改善训练数据中出现的数据冗余、样本少等问题。其次,在提取特征值的过程中,针对卷积神经网络中提取特征的过程中出现需要固定输入图像样本的大小与卷积核的大小设置问题,本文利用空间金字塔的技术来对输入的数据图像进行尺度划分,使卷积层能够更好的对其进行训练。最后,构造了一个KNN模型,来对卷积神经网络的训练过程中做出优化,提高了识别的精准度以及效率。在实验阶段,本文设计了七组对比实验。首先利用收集到的6类学生行为图像对UCF数据集以及ASD数据集进行迁移学习的验证,效果较好,确定了迁移学习的可行性。其次利用UCF101数据集中的6类学生行为分别对ASD数据集以及Weiziman数据集进行半监督迁移学习的实验,并且与其他算法进行了精准度对比。实验结果证明了本文算法的有效性。