深度學(xué)習(xí)被運(yùn)用于圖片分類、人物臉部識別和人物位置預(yù)測等識別領(lǐng)域。視頻人物動作識別可看作隨時間變化圖片的分類問題，所以圖片識別的深度學(xué)習(xí)方法也被大量使用在視頻人物動作識別研究中。與計算機(jī)視覺的其他領(lǐng)域相比，深度卷積神經(jīng)網(wǎng)絡(luò)（ Convolutional Neural　Network．CNN）在動作識別領(lǐng)域的表現(xiàn)并不突出，原因有以下兩點：第一，現(xiàn)今視頻數(shù)據(jù)集較小并且噪聲信息較多。視頻中目標(biāo)的移動以及視角的變化增加了動作識別的難度，所以需要比圖片識別更多的訓(xùn)練樣本。圖片數(shù)據(jù)集ImageNet每一類具有1 000個例子，而視頻數(shù)據(jù)集比如佛羅里達(dá)大學(xué)YouTube行為數(shù)據(jù)集（University of Central Florida YouTube　action dataset 101．UCF101）每一類僅僅有100個例子，比圖片數(shù)據(jù)集少很多。第二，傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不能充分地提取時間特征。視頻是一種按時變化數(shù)據(jù)，任意像素與其鄰域像素之間的相似性很大，具有很強(qiáng)的時間相關(guān)性與空間相關(guān)性，具有時空特征。然而卷積神經(jīng)網(wǎng)絡(luò)通常用于單一、靜止的圖片，不能有效地提取出連續(xù)幀之間的關(guān)聯(lián)特征。