人体动作识别作为许多现实世界应用和需求的关键技术,近年来引起了计算机视觉和人工智能社区的密切关注。在基于骨架数据的最新研究中,基于图卷积网络（GCN）的方法在动作识别任务上取得了优异的表现。与基于RNN和CNN的方法不能完全表示骨架数据的图结构相比,GCN能够更自然地将运动数据建模为时空骨架特征图,非常适用于从非欧几里得结构的数据中提取特征,因而在基于骨架的动作识别中得到了广泛的研究。如何从骨架数据中尽可能地提取更多的特征是基于GCN的动作识别的关键。骨架数据在空间维度上可以分为关节数据和骨数据,现有的基于GCN的最先进的（SOTA）方法通常采用融合关节和骨数据流的策略来获得更好的结果。然而,这些方法忽略了骨架数据在时间维度上的可逆性,即骨架数据能够分为正向和逆向数据。任一端到端网络将正向数据作为输入时可以在某些动作中取得更好的结果,而将逆向数据作为输入时则能够在某些特定动作上提取到更丰富且具有判别性的信息。本研究以二流自适应图卷积网络2s-AGCN为核心进行改进,在其基础上提出了正逆自适应图卷积网络FR-AGCN。相较于2s-AGCN,本文的主要贡献包括三个方面:（1）针对骨架的信息尚未被充分利用这一问题,本文提出在端到端网络中引入逆向图卷积,使模型更全面的学习骨架序列中的特征。本文提出的FR-AGCN能够在四流框架中分别提取四种不同输入的特征,采用多流融合策略,结合关节和骨的正向和反向数据这四类数据的优点进行优化,该方案能够在大多数动作类别的识别中达到最佳效果。（2）针对以往SOTA模型在进行数据增强时采用的重采样策略可能不是最优方案这一问题,本文提出对骨架数据进行帧间插值的优化策略,该数据预处理方法能够缓解模型在训练过程中造成的过拟合问题。（3）本文有效验证了 FR-AGCN的优越性。在NTU RGB+D、NTU RGB+D 120和UAV-Human三个数据集上进行了详尽的实验,结果表明FR-AGCN大大提高了2s-AGCN的识别性能。特别地,本文所提出的模型FR-AGCN在UAV-Human上性能表现超过了其他SOTA模型,并且具有显著的优势。所提出的FR-AGCN实现了具有竞争力的性能,而其实现只需要在数据预处理阶段进行细致的处理。