針對現有行為特征提取方法識別率低的問題，提出了一種融合稠密光流軌跡和稀疏編碼框架的無監督行為特征提取方法（ DOF-SC）。首先，在稠密光流（DOF）軌跡提取的基礎上，對以軌跡為中心的原始圖像塊進行采樣作為軌跡的原始特征；其次，對軌跡原始特征基于稀疏編碼框架訓練稀疏字典，得到軌跡的稀疏特征表示，利用詞袋（BF）模型對稀疏特征聚類得到軌跡的碼書，再根據碼書對每個動作中出現的所有軌跡所屬的碼書類別進行投票，統計該動作中每個碼書出現的次數，得到行為特征；最后，對行為特征利用基于直方圖交叉核函數的支持向量機（ SVM）進行訓練得到行為識別模型，再利用該模型對行為進行分類預測，得到最終行為識別的結果。在對軌跡采樣10%的情況下，DOF-SC算法得到的行為識別準確率在KTH數據庫上高出采用運動邊界直方圖（MBH）作為特征的行為識別準確率的0. 9%，在YouTube數據庫上高出MBH作為特征的行為識別準確率的1.2%。實驗數據表明了所提方法對行為識別的有效性。