近年来,有关计算机视觉和深度学习的研究和应用发展迅猛,人体行为识别已逐渐发展为计算机视觉领域里一个热门的研究主题,人体行为识别在许多方面有着重要应用,例如智能安防、视频理解等。图卷积网络的发展逐渐影响了行为识别领域,进一步带动了行为识别的发展,为许多研究人员提供了全新的思路。基于图卷积网络的行为识别的方法虽取得了很好的成绩,但仍存在一些问题。本课题基于骨架数据和图卷积神经网络进行了行为识别相关的方法研究,对相关技术进行了研究与应用,提出了新的网络模型和特征提取算法,进一步提高模型和算法的鲁棒性和精度。最后,设计并实现一个具有应用意义的人体行为识别系统,满足现实场景中的应用需求。本课题所进行的主要工作如下:1.许多工作忽略了骨架的全局空间特征问题,使用图卷积特征提取的方法忽略了骨架结构性的空间信息,为解决以上问题,本文提出使用双分支图卷积网络的方法,从结构化与非结构化数据两个方向,对骨架数据进行学习,挖掘出骨架更多的特征,并经过若干实验,使得双分支结构能有效地对骨架特征进行泛化学习。2.针对自适应图卷积的行为识别中骨架序列时序特征的窗口尺寸单一的问题,提出对骨架的时间维度特征进行多尺度特征提取,同时应用多通道的注意力机制,有着重性地关注重要的空间、时间、通道维度特征,并通过各项实验,对提出的方案进行验证分析。多尺度时域特征的设定有效提升了网络对于时序特征的学习能力,而自适应图卷积与空间、时间、通道三个维度特征的注意力机制优化了特征提取的过程,在数据集的测试表现中,提出的方案可行有效,精度获得了提升。3.本文的工作还包括使用本文提出的网络进行行为识别任务,设计并实现人体行为识别系统,分模块搭建系统相关的配置和环境,并将各个模块进行整合部署,实现了一个可以输入在线和本地视频的系统,在对视频中人物进行骨骼检测后,识别其中人物的行为,并进行分类输出。