3D骨骼数据动作识别通过分析骨骼数据内部规律对动作进行分类,是计算机视觉领域的研究热点。广泛应用于虚拟现实,人机交互和无人驾驶等领域。针对现有研究者采用的关节点距离仅依靠简易人体骨骼图进行定义的问题,本文提出融合关键距离时空特征的动作识别。在简易骨骼图的基础上考虑人体结构和人体运动的复杂性,定义三类关键距离。针对单视角下深度相机跟踪关节点运动存在的自遮挡问题,本文提出基于三视图融合的动作识别。将单视角下获得的3D动作序列进行视图子空间投影,融合多个视图子空间的动作序列信息进行动作识别。（1）为了深层次挖掘有效距离表征人体动作,降低无效距离的干扰和减少计算量,本文第二章提出融合关键距离时空特征的动作识别。在简易骨骼图的基础上考虑人体结构和人体运动的复杂性,定义物理连接距离、非物理连接距离以及特定动作背景下的距离表征动作空间结构信息的变化。为了突出动作时间动态的变化,本文对关键距离矩阵的列（时间帧）做一阶差分处理得到关键距离差分矩阵。然后将两种矩阵通过平移尺度不变映射得到关键距离彩色纹理图像和关键距离差分彩色纹理图像,进而分别结合CNN进行动作识别。最后对两支路的识别结果在Softmax层进行得分融合获得模型最终识别结果。实验结果表明,该方法可以减少冗余距离的影响,识别性能良好且计算效率高。（2）为了解决单视角下深度相机跟踪关节点运动存在的自遮挡问题,同时在单视角动作数据集达到与多视角动作数据集相当的识别效果,本文第三章提出基于三视图融合的动作识别。首先将三维空间中的3D动作沿着坐标轴投影,得到动作在三视图（主、左、俯）的三个2D动作序列;然后改造传统时空图卷积网络,对三个2D动作序列分通道并行进行特征学习与判别;最后运用投票策略融合三支路的识别结果获得模型最终结果。实验结果表明,该方法能在一定程度上减少单视角存在的自遮挡问题,且达到了与多视角数据集相当的识别效果。