本发明公开了一种新的基于融合特征的视频行为识别方法。针对单一特征描述符在描述视频空间信息的不足，提出将位置信息映射到描述符中进行融合编码。即在特征提取阶段分别提取视频的描述符特征和位置信息，生成相对应的视觉词典和位置词典，然后将位置信息映射到描述符中进行编码。在编码阶段为了克服传统VLAD方法只考虑特征与其最接近聚类中心的不足，提出在其基础之上另外计算每个聚类中心与其最相似特征的差值，并将两者结合起来作为特征的编码向量，获取更全面的视频表示。在两个大型数据库UCF101及HMDB51数据库上的实验比较结果表明，本发明提出的方法比传统VLAD方法具有较大的性能提升。