目前基于3D-ConvNet的行为识别算法普遍使用全局平均池化（global average pooling，GAP）压缩特征信息，但会产生信息损失、信息冗余和网络过拟合等问题。为了解决上述问题，更好地保留卷积层提取到的高级语义信息，提出了基于全局频域池化（global frequency domain pooling，GFDP）的行为识别算法。首先，根据离散余弦变换（discrete cosine transform，DCT）看出，GAP是频域中特征分解的一种特例，从而引入更多频率分量增加特征通道间的特异性，减少信息压缩后的信息冗余；其次，为了更好地抑制过拟合问题，引入卷积层的批标准化策略，并将其拓展在以ERB（efficient residual block）-Res3D为骨架的行为识别模型的全连接层以优化数据分布；最后，将该方法在UCF101数据集上进行验证。结果表明，模型计算量为3.5 GFlops，参数量为7.4 M，最终的识别准确率在ERB-Res3D模型的基础上提升了3.9%，在原始Res3D模型基础上提升了17.4%，高效实现了更加准确的行为识别结果。