人体行为识别技术是计算机视觉领域的重要研究课题,随着人工智能和互联网的蓬勃发展,它也具有了巨大的应用前景和经济价值,在智能监控系统、虚拟现实、人机交互等现实领域都得到了广泛应用。人体行为识别技术的核心在于行为识别数据集的建立和行为特征的提取两个方面。随着Kinect深度摄像机、人体骨骼关节点提取技术以及图卷积神经网络（Graph Convolutional Networks,GCN）的发展,人体行为识别技术领域出现了一个新的研究方向——基于图卷积神经的人体3D骨骼行为识别技术。这个技术主要有两个优势,一是相较于传统的RGB（Red Green Blue）视频数据,人体3D骨骼在环境变化、光照强度等复杂背景下具有较强的鲁棒性。二是相比于循环神经网络（Recurrent Neural Networks,RNN）和卷积神经网络（Convolutional Neural Networks,CNN）,图卷积神经网络天然的适合处理具有图结构的人体3D骨骼数据。基于这两个优势,目前人体行为识别的大多数方法都是建立在图卷积网络的理论基础上来进行深入研究的。本文主要围绕着基于图卷积网络的人体3D骨骼行为识别技术进行研究。首先,本文详细的介绍和分析了图卷积神经网络在人体3D骨骼行为识别课题上的应用。然后,针对图卷积网络存在的提取行为特征不够理想的问题,本文提出了基于图注意力神经网络（Graph Attentional Networks,GAT）来优化骨骼数据空间特征提取的解决方案。最后,本文对所提出的模型进行实验分析,结果证明了所提出的使用图注意力机制来优化特征提取的方案对人体3D骨骼行为识别准确率的提升是有益的。综上,本文的贡献主要有以下两点:（1）将图注意力网络作为空间特征提取网络的残差连接,实现注意力的自主学习,提出了基于图卷积的注意力残差网络（Attentional Residual Connection Based Graph Convolutional Networks,ARGCN）。一方面,相比于传统的注意力机制,图注意力机制可以更好的学习具有图结构数据的特征,而无需特征值分解等复杂的矩阵运算,仅根据输入数据即可计算每个节点在特定动作上的重要程度。另一方面,残差机制有着对输出的变化更加敏感的作用,而且图注意力残差网络模块的输出信息直接流通到主干网络中,可以增强信息流通。通过对提出的ARGCN模型进行实验,并与不同的行为识别算法进行比较,结果证明了ARGCN模型具有更好的识别效果。（2）为了进一步简化模型,降低训练成本,本文提出了一个改进模型:基于图注意力的卷积神经网络（Graph Attentional Convolutional Networks,GATCN）模型。该模型的主要思想是,将图注意力网络分解为特征提取和特征融合两个阶段,只保留计算图注意力系数的特征提取阶段。之后,将注意力系数构成一个类邻接矩阵参与到图卷积网络的空间特征的融合过程中。这种情况下,图注意力机制的作用就仅仅是捕捉节点之间的相似度,而空间特征融合过程则交予图卷积完成。为了评估所提出的GATCN模型的识别效果,本文将实验得到的识别准确率与ARGCN模型以及其他的行为识别算法的准确率相比较,其对比结果也证实了GATCN模型具有较好的识别效果。在文章的最后,本文对所研究的内容进行了总结与展望,并针对文章提出的模型指出了一些可以继续优化的方面,为以后的深入研究提供了可能的方向。