建筑行业发展方式比较粗放,建筑工人技能素质不高,监管体系落后,难以统计工人施工状态。在施工现场,识别工人施工状态,获取工人施工效率,可使管理人员精确地量化和基准化劳动生产率,从而保障施工的进度。当前建筑工地工人生产率评估完全依赖于人工观察,在复杂的施工现场获取工人的施工状态数据需要花费大量的时间和人力,并且无法实时统计出每个工人的施工情况。针对上述的问题,现在研究人员使用动作识别的算法来识别工人的活动,进行施工效率分析,但目前只能对单个工人进行分析,当施工人员数量增多时无法进行准确的分析,不能满足实际的需求。本文基于改进的姿势估计算法获取人体关键点,研究基于人体关键点数据进行工人的跟踪和动作的识别,获取工人的施工效率。制作了施工动作的关键点数据集,用来训练动作识别网络,搭建了识别系统,最后进行整体的测试。论文主要完成的工作如下:（1）本文采用人体关键点数据进行动作分析,考虑实际施工现场需要同时处理多路摄像头视频信息。对用于提取人体关键点数据的姿势估计网络Open Pose计算量大、处理速度慢的问题,进行轻量化改进。用Mobile Net V2取代VGG-19主干网络,可分离式卷积取代两个分支网络中的普通卷积,将改进网络在COCO数据集进行性能测试,准确度较原来有所下降,但在实际视频测试提取到关键点信息,结果差距不大,且实际视频处理速度提升。（2）考虑到工地摄像头抖动和工人遮挡问题,完成关键点跟踪算法设计,选择采用多人跟踪算法Deep Sort,利用关键点信息提取工人的边界框,完成运动信息和外观信息提取,有效的跟踪工人以及关键点信息。测试结果表明该算法适合工地场景的应用。（3）多角度采集工人施工动作,建立关键点动作数据集,从数据集中提取重心特征、角度特征以及具有时间信息的速度特征。考虑动作的时间连续性,对关键点进行时间序列分析,使用多层MLP网络及堆叠LSTM网络对关键点数据集进行训练。测试结果表明具有时间信息的数据集和堆叠LSTM网络的采用,提高了动作识别的准确度。同时对于系统进行了整体的测试,运行速度基本可以满足实际需要。