随着社会各领域信息化程度的提高以及计算机视觉技术的大规模使用,利用现代化、智能化手段对视频数据中人体姿态的识别与异常行为的分析与理解成为了研究热点。人体姿态识别是从视频序列图像中准确地识别出承载人类姿态的骨架信息,该信息是人类行为描述的一种特征信息。在实际的视频数据中存在一些问题,如:视频画面易受到光照、观测角、遮挡和尺度变化等造成的人体关节点检测精度低;行为种类受多样性、随机性以及不可预测性导致的行为识别准确率低;特定环境下的异常行为理解方面研究较少的问题。运用分层策略将所提出的算法应用在实际场景中,判定自定义背景下的人类目标行为状态、理解极端危险下对象的异常行为,为特定区域的安全监控与重点研究领域提供一定的理论与技术的支撑。主要研究内容包括:围绕目标实例受到多尺度变化、遮挡等影响造成关节点识别困难导致检测精度低的问题,提出一种改进的自上向下框架人体姿态识别算法（GOS-HRNet）。首先,利用Octave卷积重构高分辨率网络以丰富特征图表征的多尺度空间信息;其次,运用注意力思想,以二阶注意力关注不同权重、不同通道尺度空间信息,提高关节点检测精度;最后,采用梯度均衡机制改善网络对识别困难点关注度的均衡性,提高模型算法对图像尺度敏感度的鲁棒性。结果表明该算法性能在COCO2017数据集上提升了关节点检测准确率。对传统图卷积中图形构造空间模板固定与缺乏时间上下文信息的问题,提出一种改进的图卷积行为识别算法。空间维度上,采用自适应图卷积来聚合不同距离内的邻居关节特征,增加模型中参数化全局图的灵活性和各种数据图结构的通用性,减少层间图特征对于特定图结构的依赖性。时间维度上,使用了一种组合尺度结构,使模型在时间层级上捕捉关节点特征向量的变化。实验表明所提算法在公开数据集上有效提高序列时空特征的显著性表达,进而提升行为识别准确率。在分析正常行为与异常行为之间时存在界定不清晰的情况,如何理解特定场景下的人体异常行为,建立异常行为数据集并提出一种基于分层策略的异常行为理解方法。为进一步说明方法可行性,依据场景与行为二者的关联性,从整体层面和肢体局部层面的运动情况进行研究。在场景约束下界定异常行为,即界定层;以行为识别模型识别出异常行为类别,即局部层;关注目标的运动状态信息（例如,轨迹）,即整体层;最后融合不同层分析结果实现异常行为理解,实验表明该方法具有一定的可行性和较好的准确性。本文在姿态识别和行为识别方面,优化了网络框架结构、丰富了模型学习到的空间表征信息,提高了算法识别精度,实现对视频中人体姿态识别和异常行为理解。