基于骨架的人体动作识别一直是计算机视觉领域的一项重要课题。并由于其对光照、尺度和旋转的变化具有很强的鲁棒性,基于骨架的动作识别吸引了越来越多的人注意。在传统的骨架的动作识别方法中,特征的表示通常是手工制作的,有效的特征获取通常较为困难。近年来,随着深度学习技术的兴起和发展,自动学习特征的方法即神经网络被广泛的使用在了骨架动作识别中。最近的研究表明,循环神经网络(RNN)或卷积神经网络(CNN)能够有效的对骨架序列学习判别性特征并用于分类。尽管近期的一些基于深度学习模型已经取得了卓越的性能,但随着更为多样且复杂的骨架动作数据集NTURGB+ D的提出,用于骨架动作识别的深度学习模型仍然存在很大的提升空间。为此,我们将在本文中提出三种改进的基于深度学习的模型用于骨架动作识别。本文首先提出了一种时间选择长短期记忆网络(TS-LSTM),通过LSTM与max pooling结合的设计,我们能够学习到依赖于不定长度的上下文的特征。接着提出了一种基于身体部件的时空卷积神经网络(ST-CNN),通过2个时间卷积层的特殊参数设置,我们可以学习到具有判别力的时空特征。最后提出了一种注意力网络,关节选择卷积神经网络(JS-CNN),通过其关节选择模块和帧选择模块的设计,网络能够自动选取具有判别性的关节和时间段,从而获得更具判别性的特征。本文对提出的三种方法均在4个数据集上做了大量的实验,且与近年来用于骨架动作识别的模型相比,本文提出的三种方法均达到了先进的结果。此外,我们还通过大量的实验分析,证明了提出模型的有效性。