چکیده: در سال های اخیر با افزایش نگرانی های امنیتی و ضرورت مطالعه رفتار انسان ها نیاز به سامانه ی نظارت هوشمندی که بتواند محتوای فعالیت های رخ داده شده را شناسایی کند، افزایش یافته است. در سیستم های نظارت غیرخودکار، بازبینی ویدئوها توسط یک ناظر انسانی انجام می شود که بازبینی حجم بالای محتوی، موجب خستگی و نظارت غیر موثر می گردد. با توجه به دلایل مطرح شده، زمینه تحقیقاتی برای شناسایی خودکار فعالیت در رشته های ویدئویی ایجاد شده است. شناسایی فعالیت انسانی به دلایلی چون حرکت دوربین، تنوع پس زمینه، ظاهر مختلف افراد و از همه مهمتر تنوع در انجام یک فعالیت توسط افراد مختلف بسیار چالش برانگیز است. استفاده از ویژگی های سطح پایین برای شناسایی فعالیت های انسان از دیرباز مورد توجه قرار گرفته است ولی رسیدگی به چالش های اشاره شده نیازمند درک معنایی و دانش انسانی درباره فعالیت های رخ داده است. برخلاف ویژگی های سطح پایین، ویژگی های معنایی خصوصیات بارز فعالیت ها را توصیف می-کنند. در نتیجه، شناسایی معنایی فعالیت انسان، بخصوص زمانی که فعالیت های یکسان از نظر بصری متفاوت باشند، قابل اطمینان تر و کارآمدتر هستند. در این پایان نامه یک روش برای شناسایی فعالیت انسان پیشنهاد شده است که در آن از ویژگی معنایی در کنار ویژگی های غیرمعنایی استفاده نموده ایم. در روش پیشنهادی از مسیر حرکت متراکم و ویژگی های HOG، HOF و MBH برای استخراج ویژگی غیرمعنایی استفاده شده و سپس مسیرهای حرکت شاخص تعیین می شوند. با بکارگیری الگوریتم خوشه بندی دو لایه بر روی مسیرهای حرکت شاخص به تولید ویژگی معنایی می پردازیم. این ویژگی ها با استفاده از کیف کلمات کد می شوند، و سپس بوسیله طبقه بند نزدیک ترین همسایه شناسایی فعالیت ها انجام می-شود. با اجرای این روش بر روی پایگاه داده UCFsports صحت 9/92% بدست آمده است. نتایج نشان می دهد ویژگی های معنایی در کنار ویژگی های غیرمعنایی شناسایی رفتار را بطور چشم گیری بهبود می بخشد.