行为识别是计算机视觉领域的研究热点和难点之一,在视频监控、视频检索、人机交互、运动分析等方面具有广阔的应用前景。迁移学习是一种进行跨域行为识别的有效方法,可以减小不同领域的数据分布差异,解决目标动作视频中训练样本短缺的问题。本文以此为基础提出了两种基于迁移学习的跨域行为识别算法。第一种是基于领域相似性迁移学习的行为识别算法,借助领域相似性筛选相关领域中的动作样本进行迁移学习,帮助完成当前领域的行为识别任务。首先通过典型相关性分析,得到领域间相似性的约束并与目标分类模型相联系,以充分利用相关领域中的有效信息;然后学习一种具有重建性、判别性、域适应性的跨域字典对,将不同领域的数据特征映射到同一空间;最后根据映射特征和分类模型对行为进行识别。利用网络中的大量图像,在UCF Sports Action数据集上的实验结果表明了算法的有效性。第二种是基于半监督迁移学习的行为识别算法,在进行多核迁移学习的同时,基于半监督学习充分利用目标域中的标签信息。首先对动作图像和视频进行特征提取,基于空间金字塔方法对图像提取静态特征,基于密集轨迹方法对视频提取动态特征。通过MDS多维尺度变换对特征进行降维,去除相关特征中的冗余信息。然后将最大均值差异与多核学习相结合,减小不同领域间的数据分布差异,以此作为迁移学习的基础。最后,构造一个结合k近邻法的半监督学习模型,并与迁移学习相结合,综合利用相关领域中的标注样本,目标行为域中的标注样本和未标注样本,继而进行行为识别的任务。设计了多组数据集进行验证,结果表明了算法的有效性和稳定性。