本发明提供一种基于ViT和ST‑GCN的红外人体行为识别方法，其包括获取红外视频数据；构建Lite‑ViTAPose姿态估计模块，利用Lite‑ViTAPose姿态估计模块提取红外视频中每一帧的人体姿态，将提取到的人体姿态经过处理、转换形成骨骼序列，作为网络输入；其中，Lite‑ViTAPose姿态估计模块包括基于多尺度特征融合的MobileViT模块和基于残差双头注意力机制的多人姿态估计器DAs‑MPPE；构建2s‑ViTGCN行为估计模块，基于输入的骨骼序列，利用2s‑ViTGCN提取该骨骼序列的时空特征，从而识别出人体的动作；其中，2s‑ViTGCN行为估计模块包括双流神经网络、ViTGCN块以及ViTGCN层。本发明将Lite‑ViTAPose模块和2s‑ViTGCN行为估计模块结合进行红外人体行为识别，有效克服了现有红外人体行为识别技术中存在的弊端。