摘要：针对人体行为识别领域传统方法特征提取复杂、分类准确率低的问题，提出了一种基于深度置信网络-支持向量机（DBN-SVM）的行为识别模型。首先，为了更好地捕捉用户行为的周期性变化，引入滤波器对行为信号进行降噪、滤波和加窗分段处理；其次，提出了DBN-SVM模型，将预处理得到的行为时频信号作为模型的可视层输入，通过DBN自动提取行为数据特征，结合SVM实现行为的分类识别。最后，实验中将该模型应用于多个行为数据集，并与传统的机器学习方法进行对比，结果表明，该方法的行为识别结果较传统的机器学习方法效率提升了4%～15%，可以更精准地实现活动分类，提高行为识别性能。

      关键词：行为识别；特征提取；机器学习；深度置信网络-支持向量机

      中图分类号：TP391     文献标识码：A