动作识别作为计算机视觉中非常重要的一部分,近年来在人们的日常生活中的重要性逐步提升,在安防领域、人机交互领域、游戏领域等都具有广泛的应用。虽然传统的基于视频的动作识别方法取得了不错的成果,但是基于人体骨架的动作识别方法具有更加准确、轻量、鲁棒的优势,因此研究人体骨架动作识别具有很高的科研价值和应用推广价值。近年来,越来越多的研究者将图卷积神经网络的方法应用在人体骨架动作识别研究方向上。其中基于时空图卷积的骨架动作识别网络（Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition,ST-GCN）取得了非常好的效果,该方法在空间维度上利用图卷积神经网络提取单帧人体骨架关节点的特征,在时间维度上利用卷积神经网络捕获帧间的依赖关系。基于ST-GCN的时空图卷积思想,针对目前人体骨架动作识别在时空建模方面存在的不足,论文提出了网络的改进与优化方法,主要工作内容如下:（1）针对ST-GCN空间图卷积模块中邻接矩阵结构固定和非物理连接关系无法表达的问题,提出了自适应时空图卷积网络（Adaptive Spatial Temporal Graph Convolutional Networks,AST-GCN）。骨架数据输入到不同的全连接层,得到线性变换后的特征映射,将特征映射进行矩阵运算得到自适应邻接矩阵。与此同时,将表示骨架结构的邻接矩阵和可学习参数矩阵进行线性相加,使自适应图卷积在特征提取时以物理连接关系为主,非物理连接关系为辅,并且具有一定的调节修正能力。在时间建模方面,结合时间拓展模块,增加了帧间关节点特征融合的方式。（2）针对骨架数据通道数少,特征不显著的问题,提出了关节强度和帧权重两种语义特征。关节强度是关节的邻接节点数,在空间维度上,关节强度和关节类型结合构成空间语义特征。帧权重是当前帧在时序中的重要性,在时间维度上,帧权重和帧索引结合构成时间语义特征。空间和时间语义组成语义特征模块,从而使得帧内不同位置的关节点具有显著的特征表示,帧间相同位置的关节点具有明确的约束关系。（3）将自适应时空图卷积网络和语义特征模块结合,设计了基于语义特征增强的自适应时空图卷积网络。该网络在NTU-RGB+D和NTU-RGB+D 120数据集上进行实验,实验验证了各模块之间的有效性,提高了人体骨架动作识别的精度。同时基于设计的网络开发了人体骨架动作识别软件,可实现对视频文件和视频摄像头获取的视频中人体的动作识别。