近年来,随着信息技术与人工智能领域的飞速发展,人体动作行为的识别越来越多的被运用在日常的生产和生活领域,在人机交互领域中有着广泛的应用前景。目前传统检测的方法有光流法,帧差法等,但这些方法都无法完成对复杂动作的检测识别,且效率低,误判率高,无法满足市场的需要。为了能开发出一种系统高效智能地识别人体动作来检查企业员工动作的规范性,本项目将人体行为识别检测系统和深度学习算法结合起来,设计并开发了人体行为识别系统,并通过实验进一步的完善。首先,在搭建硬件系统时,本项目基于kinect深度红外相机来扫描人体的关节点信息,设计输入矩阵传送到改进的长短期记忆网络中,使系统能够高效快速的获取模型的输入信息。相比传统的方法具有高效,方便快捷,准确率高等优点。然后,本文针对目前传统神经网络的缺陷,提出了针对人体动作识别的神经网络。针对每帧的独立误差造成的估计序列在时间上不连贯的问题,搭建了长短期记忆网络模型,为了使长短期记忆单元更有效地学习视频中相邻帧之间人体动作的时间依赖关系,动作识别结果保持时间一致性,提出利用双向传播和注意力机制构建TPA-Bi-LSTM网络,并通过实验验证改进后的网络的有效性,切实解决了两帧之间的关节点估计的关联性问题。最后,为了在上位机的实验表明了本文方法的有效性,在项目中将训练好的模型和硬件设备的API在C++平台上进行了部署,设计并开发出能够实时检测被测者动作的识别系统。通过对搭建的系统测试验证,在本项目中把构建的算法进行优化至最佳效果,同时选用大量样本对系统进行进一步的测试。通过实验发现,系统可以精确识别人体所做的行为动作,并能对人体未完成的动作进行及时的判断,进一步验证了检测算法的有效性。