在许多交互场景中,人类的情感支配着外部行为,行为又反映了个体内部意图。如果机器人能够通过可观察的外部行为来识别用户的交互意图,那么就可以进行个性化的回应,从而表现出自然的动作,这正是以人为中心智能化交互的体现。通过文献调研发现,目前交互意图识别工作所使用的信息主要有三类:语音信息、生物电信号和视觉信息。使用语音信息的交互意图识别工作在嘈杂的环境下难以发挥作用,生物电信号信息对实验环境和实验设备要求非常严苛,只有使用视觉信息的交互意图识别工作才具有大范围推广的可能性。而在使用视觉信息的交互意图识别工作中,大部分都是基于单一信息,这会导致在一些异常情况下模型的识别结果不准确。针对这些问题,本文提出了一种新的交互意图识别方法。仅从RGB视频中获取用户的面部表情和肢体动作信息,并引入了人脸角度特征来提升模型的鲁棒性,基于这三种信息来判别用户是否有想要与机器人进行交互的意图。通过探索有效的特征提取和融合方法,建立交互意图识别模型,采用注意力机制进行融合分类,取得了较好的效果。本文的主要研究内容如下:首先创建了一个包含面部表情和肢体动作的交互意图识别数据集。由于交互意图识别工作的任务指向性强,现阶段的研究大多针对某个特定的任务,没有标准的开源数据集以供使用,所以本文需要构建合适的数据集。本文的数据集共采集了21位交互者与机器人交互时的视频,包含面部表情和肢体动作,经过处理后得到了交互意图识别数据集,共包含3528段视频。随后制定了数据集的标注原则,将数据集标注为“有交互意图”和“无交互意图”两类。其次,针对每种信息的特点采用专门的神经网络进行特征提取。在特征提取阶段,本文采用深度学习方法对不同特征进行提取,相比于传统的手工提取特征,深度神经网络可以更有效的挖掘特征的深层次有效信息。本文使用VGG-19网络提取数据集中的面部表情特征,使用Res Net50网络提取人脸角度特征。在动作特征提取方面,提出了人体区域融合的方法,使用Yolov3和C3D网络提取肢体动作的时空特征。最后根据注意力机制提出了三种不同的融合方法。在特征融合阶段,本文采用了注意力机制,有选择性的对有效特征增加权重,对无效特征降低权重,通过实验选出特征拼接、层级注意力、自注意力三种不同的特征融合方法中效果最好的一种。在本文所提出的交互意图识别数据集上进行测试,选择F1分数作为评价指标,本文方法的F1分数达到93.7%,比使用单一特征所取得的最好结果高出11.2%,证明了多个特征融合的有效性。在与其他类似的先进工作对比中,本文方法也展现出了显著的优势。