چکیده تشخیص فعالیت انسان، به‌ویژه در تصاویر ثابت و داده‌های سنسوری، به دلیل نبود اطلاعات زمانی و وجود شباهت‌های بصری میان کلاس‌های مختلف، یکی از چالش‌های اساسی در حوزه بینایی ماشین محسوب می‌شود. در تصاویر ایستا، مدل باید از یک لحظه منجمد، فعالیتی وابسته به حرکت را استنباط کند که این امر منجر به افزایش ابهام و خطا در تصمیم‌گیری می‌شود. در این پایان‌نامه، یک چارچوب چندمرحله‌ای برای حل این مسئله ارائه شده است که از بهبود نمایش ورودی آغاز شده و تا درک رفتار تصمیم‌گیری مدل ادامه می‌یابد. در گام نخست، با معرفی یک نقشه شبه‌حرکتی مبتنی بر گرادیان‌های تصویر، اطلاعات ساختاری مرتبط با حرکت به ورودی افزوده شده و کیفیت نمایش ویژگی‌ها بهبود می‌یابد. در ادامه، فرآیند تقطیر دانش با در نظر گرفتن میزان اطمینان مدل معلم بازتعریف شده است، به‌گونه‌ای که انتقال دانش به‌صورت تطبیقی انجام می‌شود و از انتقال دانش نامطمئن جلوگیری می‌گردد. سپس، با بهره‌گیری از معماری معلمان تخصصی، برای هر کلاس یک معلم مجزا در نظر گرفته می‌شود تا تمایز میان فعالیت‌های مشابه به‌صورت دقیق‌تری مدل‌سازی شود در نهایت، با معرفی یک رویکرد مبتنی بر تقطیر دانش علّی، فرآیند یادگیری از سطح تقلید خروجی‌ها فراتر رفته و به درک رفتار مدل معلم ارتقا می‌یابد. در این روش، با اعمال مداخلات کنترلی بر ورودی، مدل دانش‌آموز نحوه واکنش معلم به تغییرات را می‌آموزد و بدین ترتیب، فرآیند تصمیم‌گیری را به‌صورت عمیق‌تری درک می‌کند. برای داده‌های سنسوری، یک چارچوب دو‌معلمه مبتنی بر فعالیت‌های کلان و خرد ارائه شده است که با استفاده از هم‌ترازسازی توالی ویژگی‌ها، ساختار سلسله‌مراتبی فعالیت‌ها را به مدل دانش‌آموز منتقل می‌کند. نتایج حاصل از ارزیابی بر روی مجموعه‌داده‌های مختلف نشان می‌دهد که چارچوب پیشنهادی، بهبود قابل توجهی در معیارهای دقت،   F1 و mAP نسبت به روش‌های متداول ارائه می‌دهد، به‌ویژه در کلاس‌های دارای ابهام بالا. در مجموع، این پژوهش نشان می‌دهد که با در نظر گرفتن کیفیت داده، عدم قطعیت، تخصص‌گرایی و رفتار تصمیم‌گیری، تقطیر دانش می‌تواند از یک روش فشرده‌سازی ساده به یک فرآیند یادگیری چندلایه و معنادار تبدیل شود. کلیدواژه‌ها: تشخیص فعالیت انسان، تقطیر دانش، معماری چندمعلمی، نقشه شبه‌حرکتی، یادگیری عمیق، محاسبات لبه