群体行为识别是计算机视觉领域研究的重点和难点之一,现有的群体行为识别算法大多都是需要准确的前期处理和后期的复杂建模,整个流程比较繁琐,并且模型复杂导致控制变量较多,鲁棒性不强。姿态是一个能够很好的描述身体关键点分布的特征,行为属性是一个能够很好描述行为的高层语义特征。本文以此为基础提出了两种群体行为识别算法。第一种是改进的基于姿态特征的群体行为识别算法。针对原始姿态特征在描述群体行为上的不足,对基于姿态的特征描述进行改进,并且增加一个对姿态特征互补的特征描述-梯度特征。在训练阶段,对视频序列根据实际情况进行视频块的划分以及视频帧栅格的划分,得到改进的姿态特征描述符。根据栅格立方体,可以得到梯度特征描述符。这两种特征融合能够更好的对群体行为进行描述。第二种是基于属性的群体行为识别算法。针对把特征描述符直接关联到类标签造成信息损失的问题,我们考虑使用高层语义概念-行为属性来对群体行为进行表示。这里的行为属性主要是分为两个方面,一个是人在视频中观察得到-人工标记属性,另一个是根据信息理论从数据中自动学习得到-数据驱动属性。这两个方面联和能够更好的对群体行为进行描述。在CAD1和CAD2两个数据集上的实验结果表明了算法的有效性和稳定性。