近几年来,为持续推动国家平安城市建设,各种安防监控设备已大量应用于全国各地的公共场所。由于传统的监控系统通常只能存储视频信息,不能对监控视频场景实现智能化分析,因此不足以满足现代社会对其智能化的需求。目前,要实现智能视频监控有两个关键问题和挑战:一是如何快速检测出视频中的暴力行为,且尽可能减少漏报与误报的情况;二是如何在各种干扰因素（如背景变化,遮挡等）的影响下进行精确识别。针对上述问题,本文使用深度学习的方法对视频暴力行为识别展开研究,主要研究工作如下:（1）从视频分析系统对目标识别的准确性出发,实现了一种卷积神经网络与自注意力机制融合的暴力行为识别方法。具体来说,通过研究主流的人体行为识别算法的原理和结构,针对卷积神经网络难以获取长距离依赖信息的问题,在卷积神经网络中引入了Transformer自注意力模型。这种方法既能利用Transformer对全局特征信息捕获能力的优势,提高识别精度,又能利用卷积神经网络归纳偏置的特性,减少模型的计算量。最后通过公开数据集实验验证该模型的可行性与有效性。（2）针对视频分析系统的快速性要求,从减少模型计算成本出发,构建了一种基于双流框架的轻量化网络模型。具体实现主要是对双流网络框架的空间流网络进行改进。使用深度可分离的轻量化卷积神经网络和Transformer模型作为空间流主干网络,Res Net模型作为时间流主干网络,两者分别提取视频空间和时间特征信息后,使用线性加权算法对其进行融合分类,最终构成双流轻量化模型主体。通过公开数据集实验验证了该模型在保持较低的参数量和运算量的同时,有良好的识别精度和推理速度,可满足注重计算成本的场景。（3）针对现有暴力行为数据集分辨率低、背景单一和行为标签少的问题,制作了一份场景相对丰富的高清暴力行为数据集。首先从场景和分辨率角度出发,通过采集视频网站上相关片段,然后设计六种暴力行为标签,并根据片段内容对其进行手工标注,扩充了现有的数据集,使其能够有效地模拟现实场景。（4）最后在制作的数据集上对本文的方法进行实验,并编写测试程序展示其识别效果。首先在新数据集上验证了本文方法的有效性,然后搭建软硬件平台,编写测试代码,利用Matplotlib上展示了识别效果,结果表明本文方法能够有效识别视频中的暴力行为。