近年来,随着人工智能技术的飞速发展和计算机硬件设备的更新迭代,计算机视觉任务在很多领域都有广泛应用,包括视频监控、医疗诊断、无人驾驶以及虚拟动画等众多领域。针对人体骨架数据本身存在的固有优势,基于人体骨架数据的行为识别方法正在被越来越多的研究者研究。特别地基于图卷积网络的人体骨架行为识别方法是解决该问题的主要方案。然而目前很多方案未能考虑骨架拓扑图中更远节点之间的相互影响,也未能更彻底的利用原始数据信息。本文基于领域内的研究现状,探索数据本身的规律,重新设计图卷积结构,同时融合多流数据,在特征提取与特征融合等两个方面进行深入研究,研究过程的具体内容介绍如下:（1）提出人体骨架数据预处理与数据增强方法:1)在行为识别过程中,并非所有数据帧均对行为识别结果有贡献,主要取决于关键帧部分。因此本文采用差分取帧技术进行关键帧筛选;2)同时针对人体骨架运动数据中视角偏转问题,文中采用旋转矩阵对骨架数据节点的每一个维度进行选择旋转;3)进一步地为了提高整体模型的表现力,文中建立joint数据、bone数据、joint motion数据以及bone motion数据等多数据融合操作方式。（2）基于图卷积网络的人体骨架行为识别方法,本文提出了多流多层自适应时空图卷积模型方法,经过数据预处理后建立多流网络模型结构,同时基于现有图卷积操作方式,文中建立多阶邻接矩阵结构,提出多阶图卷积操作方式,解决了远距离节点之间信息交流,并且为了提高模型的泛化能力,引入网络自学习矩阵。（3）基于视频与深度（骨架）数据多特征融合的行为识别方法,本文首先提出时序金字塔网络去提取视频层级特征,所形成高级视频语义与进行了关键帧筛选以及视角旋转后的深度（骨架）特征进行并联融合,同时对每一个深度（骨架）动作样本,都利用同一动作标签的视频动作样本进行特征互补,这种特征融合的方式解决了当前数据特征不足等问题,并且利用前文介绍的关键帧筛选以及数据样本视角旋转选择等操作步骤,解决了数据预处理过程中诸多问题。