目前,高清视频监控已广泛的应用于公安机关的安防系统、军事领域和孤巢老人监控系统等领域之中。针对上述高清视频监控,主要的监测对象是以人作为重要监控目标,那么对人体的检测和人体行为的检测是理解监控视频信息的重要手段,因此对人体行为检测有着巨大的经济价值和实用价值,使其成为智能视频监控研究领域的热点。近年来,随着深度学习的发展、计算机GPU设备性能提升以及GPU在图形计算上的优异表现,基于深度学习的人体行为检测的优势慢慢的凸显出来,相较于传统方法,深度学习算法无需手动对图像特征进行提取,减少工作量,提高检测的鲁棒性。因此,本文利用深度学习算法对人体行为进行检测,本文的主要研究内容包括:首先,对视频图像进行运动区域提取,以降低图片尺寸,减少网络训练参数数量,提升网络的训练效率,本文针对现有目标提取算法进行了研究,结合现有目标提取算法做了两点改进。(1)提出基于改进的四帧差法和ViBe算法结合的运动目标检测算法。ViBe算法具有运算量小,提取速度快,鲁棒性好的特点,但ViBe算法的计算特点容易产生“鬼影”现象。因此,在原有的算法上做出了相关改进,利用帧差法不用进行背景建模不会产生“鬼影”的特点,通过改进的四帧差分算法检测到的前景区域和ViBe算法检测到的前景目标区域进行前景点的匹配,引入参数N统计匹配到的前景点个数,通过对检测到的前景点个数和总前景点个数做比,并设置一个阈值T进行判断该前景区域是“鬼影”还是真实的前景。通过实验验证,本文的改进算法能够快速消除“鬼影”,验证了本文算法的有效性。(2)改进的四帧差分算法,利用最大类间差法(Otsu)进行阈值的自动提取获得帧差二值图像,对二值图像进行与算的基础上增加了一个或运算用于保留更多的运动信息,同时结合Canny边缘检测算法弥补运动目标的轮廓信息。其次,本文构建了一个3D时空卷积网络(3DCNN)对分割好的图片进行学习训练,改变训练的迭代次数和每批次训练样本的数量让网络训练效果更好。实验结果表明3D卷积网络对处理后的连续的视频帧的人体行为的识别也能取得很好的识别率。最后,文中利用Mict-Net(Mixed Convolutional Tube)网络采用了3D/2D混合连接这一特点,截取该网络的一部分作为ResNet网络的输入端,并以此为基础构建双流网络,随后将双流网络提取到的时空特征通过卷积运算进行融合得到包含时空信息的融合特征,最后通过3D卷积网络对融合特征进行最后的特征提取。对设计好的网络进行训练,分别把时间网络和空间网络放在ImageNet数据集上进行预训练,然后用UCF101数据集对网络进行最终训练。实验结果表明,本文设计的网络在人体行为检测是有效的。