人体行为识别作为计算机视觉领域热门方向,在许多领域都得到广泛应用,例如智能安防、智能车辆、智能医疗等领域。随着视频多媒体的飞速发展,人体行为视频数量与日俱增,对于视频中信息的提取需要准确高效的算法作为支撑。目前对于人体行为识别领域当中复杂背景及人体差异性带来的干扰,采用骨架序列数据作为行为记录数据,能够有效避免光照、背景等带来的问题。本文以人体骨骼数据作为网络输入,提出基于改进的时空图卷积神经网络人体行为识别方法,设计实现功能完备的人体行为识别软件,完成软件功能与性能的测试。论文主要工作如下:1.在卷积神经网络、图卷积神经网络和传统的ST-GCN网络研究基础之上,提出对时空图卷积网络的改进。首先,融合密集连接网络思想重构其网络结构。重构后的网络模型通过特征重用减少网络不同层之间的特征依赖,利用少量的计算得到更加丰富的特征图,使得获取的特征更加健壮并提升网络性能。其次,在改进的时空图卷积层中引入非局部注意力机制。引入注意力机制后充分提取动作发生时关节点之间信息,提高改进后的时空图卷积网络模型动作识别准确率。最后,将改进后的算法模型与传统的ST-GCN网络进行对比,改进后的算法模型在NTURGB+D数据集中准确率分别提高了1.9%（X-Sub）和2.5%（X-View）。相比较于部分主流算法准确率稍低,但是其算法模型参数量有了显著减少,改进后的算法模型在准确率和参数量之间达到一个较好的平衡。2.对人体行为识别软件使用B/S架构进行设计与实现。人体行为识别软件根据需求分析,业务功能主要包括用户管理模块、数据检索模块、行为识别模块、行为告警模块等。服务器端基于Spring Boot框架完成后端功能逻辑代码的编写,协同使用Pytorch深度学习框架对改进的时空图卷积网络模型进行构建,软件用户数据和视频文件资源使用My SQL数据库和Fast DFS文件服务器进行存储。3.对人体行为识别软件进行测试工作。搭建软件测试所需要的环境,并针对不同的业务功能需求,依照国家标准GB/T25000.51-2016编写相应的功能测试用例,结合不同的测试方法完成软件功能测试。利用第三方测试工具JMeter进行了软件性能测试,验证人体行为识别软件的性能。测试结果表明该软件各项功能能够正常使用,软件性能表现符合国家软件标准,验证了人体行为识别软件具有一定的实用性。