人体动作识别是计算机视觉领域中一项重要且具有挑战性的任务,基于骨骼的人体动作识别由于人体骨骼数据的鲁棒性和易获取性在该领域引起了广泛的关注。近年来,随着深度学习的发展,利用图卷积网络将人体骨骼建模成时空图来探索人体关节的内在联系,取得了显著的效果。然而,现有方法忽略了关节之间的远程依赖关系,固定的时间卷积核会导致时间建模缺乏灵活性,而且现有模型往往过度参数化,加大了计算成本。针对这些问题,本文基于深度学习中的图卷积网络和人体骨骼数据,提出了改进的动作识别模型,主要内容如下:（1）对于忽略关节间远程依赖和时间建模缺乏灵活性的问题,本文提出了一种多尺度自适应聚合图卷积网络模型,来进行动作识别。首先,设计了一个多尺度的空间图卷积来聚合骨骼数据的远程依赖和多阶语义信息,并综合建模人体关节的内在关系进行特征学习。然后,提出多尺度时间卷积模块自适应地选择不同时间长度的卷积核,以获取更为灵活的时间图。此外,还增加了时空通道注意力机制,以获得骨骼序列中更有意义的关节、帧和通道信息。最后在各模块间引入了残差连接对特征信息进行复用。通过在三个大规模公有数据集（NTU RGB+D60、NTU RGB+D 120 和 Kinetics-Skeleton）上的实验,结果表明,本文所提出的模型实现了良好的识别性能。（2）对于模型过于复杂和参数量过大的问题,本文构建了一个轻量级的多尺度时空图卷积网络模型。首先利用分层策略对原有的多尺度空间图卷积模块进行改进,并引入了膨胀卷积到时间卷积模块,在不改变卷积核大小的情况下获取到更广域的有效感受野。然后使用深度可分离卷积来替代标准卷积,来降低参数量以及提升模型的训练速度。此外,提出了一个时空位置注意力模块来发现整个骨骼序列中特定帧中信息量最丰富的关节,从而增强模型在不同动作序列中提取判别性特征的能力。最后采用多流数据融合的方式来增加输入数据,扩充网络中的特征信息。通过大量的消融和对比实验,本文所提出的模型可以在较低参数量的情况下实现好的识别准确率,证明了该模型的优越性。