针对人体行为识别中传统行为信息获取方法需要繁琐步骤和各类假设的问题，结合卷积神经网络（CNN）在图像视频处理中的优越性能，提出了一种基于低秩行为信息（LAI）和多尺度卷积神经网络（MCNN）的人体行为识别方法。首先，对行为视频进行分段，并分别对每个视频段进行低秩学习以提取到相应的LAI，然后在时间轴上对这些LAI进行连接以获取整个视频的LAI，进而有效捕获视频中的行为信息，避免了繁琐的提取步骤和各类假设。其次，针对LAI的特点，设计了MCNN模型。该模型通过多尺度卷积核获取不同感受野下的LAI行为特征，并合理设计各卷积层、池化层及全连接层来进一步提炼特征并最终输出行为类别。将所提出的方法在KTH和HMDB51两个基准数据库上进行性能验证，同时设计和进行了三组对比实验。实验结果表明，所提方法在两个数据库上分别取得了97.33%和72.05%的识别率，与双重变换（TFT）方法和深时间嵌入网络（DTEN）方法相比，识别率分别至少提高了0.67和1.15个百分点。所提方法能进一步促进行为识别技术在安防、人机交互等领域的广泛应用。

针对当前数据治理过程中面临的数据标准不统一、数据质量良莠不齐以及数据安全隐私凸显等问题，提出一种基于区块链的数据治理协同方法，将区块链多方协作、安全可信等特性应用到数据标准的构建、数据安全的保障和数据共享过程的控制。本方法首先根据数据治理要求和区块链特征，提炼形成基于区块链的数据治理协同模型，通过构建多方协作的数据标准流程、数据标准构建和更新机制、安全可靠的数据共享和访问控制等，实现区块链数据治理协同方法，从而提升数据标准化工作的效率和安全性。实验及分析结果表明，该方法比传统的数据标准构建方法在标准用语申请时间效率上有明显的提升，特别是在大数据环境下，基于区块链智能合约的方法对时间效率提升更为明显，基于区块链的分布式存储等特性为系统的安全、用户行为追溯和审计提供了有力依据和保障。该方案对于数据治理工作具有良好的应用示范效果，为行业的元数据管理、数据标准的共享和应用提供了借鉴思路。