一句话定义：动作识别（Action Recognition）是让机器判断一段视频（或其中的片段）里，人正在执行什么动作——跑步、摔倒、握手、切菜、深蹲，并给出一个动作类别标签。
原理：从"看一张"到"看一段"
识别物体时，一张照片就够：图里有猫，模型看一眼就能答。但"深蹲"这个动作，任何单独一帧都只是"一个人半蹲着"，和"捡东西""坐下"几乎一样。要判断动作，必须看变化。
打个比方：单张照片像连环画里撕下来的一页，你能看到姿势，却不知道剧情；动作识别是把连续几页连起来读，看重心怎么下、膝盖怎么弯、几秒后怎么起身，剧情才成立。
技术上通常这么做：先从视频里抽帧，用卷积网络（CNN）或视觉Transformer（ViT）提取每一帧的空间特征，回答"画面里有什么"；再对帧与帧之间建模，捕捉时序特征，回答"这些东西怎么变"。早期常用光流（Optical Flow）显式描述像素运动，后来 3D 卷积、双流网络、时序建模模块（如把帧特征按时间顺序过一遍的 Transformer）逐渐成为主流。最后把整段视频汇总成一个向量，接分类头输出动作类别。
和相邻概念的区别
这几个词经常被混着用，其实分工不同：
| 任务 | 输入 | 输出 | 举例 |
|---|---|---|---|
| 图像分类 | 一张图 | 类别 | 这是一张厨房照片 |
| 目标检测 | 一张图 | 框 + 类别 | 这里有个人，那里有把刀 |
| 姿态估计 | 一张图/视频 | 关节点坐标 | 他的手腕在(320, 180) |
| 动作识别 | 一段视频 | 动作类别 | 他在切菜 |
再细一层：动作识别通常指给一段已切好的片段打标签；动作检测（Action Detection / Temporal Localization）还要回答"第 3 秒到第 8 秒发生了什么"，多了时间定位。姿态估计只给骨架，不告诉你这是"招手"还是"挥手告别"，而中文语境里"行为识别"常和动作识别混用，只是"行为"更偏语义和意图，边界并不严格。
对实际工作的意义
动作识别是很多产品的隐形底座：健身 App 靠它数深蹲次数、判断动作是否标准；养老和安防场景靠它做摔倒检测；工地和工厂靠它识别危险动作、未戴安全帽；零售用它做防损和动线分析；视频平台用它自动打标，让"找一段有人打篮球的素材"变成可搜索。
对从业者来说，难点不在"能不能分类"，而在数据：动作类别长尾严重、标注成本高、拍摄角度和光照一变效果就掉，还要在延迟和精度之间取舍（实时监测通常只能跑轻量模型）。如果你的业务只需要判断"有没有人""姿势对不对"，先上检测或姿态估计往往比直接上动作识别更划算——它更便宜、更可解释，也更容易调试。具体选型建议以各家官方文档和实测结果为准。