早期的动作识别主要处理的是RGB视频序列数据,随着传感器相关技术的发展,深度相机的出现,使得主体的三维空间信息可以记录在数据中,即可以获取到三维人体骨骼关节点;相比于RGB视频序列,骨骼序列数据可以有效的规避背景、光照等干扰信息的优势,其数据维度远小于RGB视频序列,因此更便于进行人体动作的识别。然而,由于同一动作存在个体差异,相似动作不易区分等问题,本文将以人体骨骼数据为基础进行动作识别研究。近些年,基于深度学习的方法中,由于图卷积的方法可以有效的利用到人体的拓扑结构信息,得到较好的性能结果,但是,如何全面的表征一段骨骼序列、如何提高网络对于时间维度信息变化的鲁棒性、以及如何有效利用不同空间尺度特征的相关性等方面尚待进一步研究。所以,本文是以图卷积模型为基础,从骨骼数据运动表征、时间维度信息多变性以及不同空间尺度骨骼关节点特征相关性三个方面进行研究。本文的主要研究工作和特色如下:（1）依据人体在执行动作过程中的运动规律,构建骨骼关节点的速度信息特征、加速度信息特征与骨节向量特征,再将其进行有效的融合,从而更全面的表征骨骼序列;（2）针对动作特征在时间维度的多变性,利用不同参数的一维空洞卷积,构建了多时间特征提取模块,提取到的丰富的时间维度关节点特征,提高模型对于时间维度特征变化的鲁棒性;（3）通过本文构建的语义引导的多尺度空间特征提取网络模型,有效的利用了不同空间尺度特征之间的互补性;并且考虑到先验信息对于网络模型的重要性,结合不同尺度关节点语义信息的区别,利用不同的编码方式将关节点的语义信息嵌入网络学习中,增加关节点特征信息丰富度,从而进一步提高网络的识别准确率。最后,本文通过在NTURGB+D数据集与主流方法对比与消融实验,充分验证了本文方法的性能指标具有一定的优势,交叉视角和交叉人物两个指标在NTURGB+D数据集分别达到96.1%和90.5%的准确率。