全球公认使用最为广泛的抢救措施为心肺复苏术,英文简称CPR（cardiopulmonary resuscitation）,是针对心脏和呼吸骤停的一种急救手段。对抢救行为实际操作过程进行规范性判别在医学急救领域中已经成为重要课题。近些年,随着国内外计算机领域及相关学科的迅速发展,出现了许多针对CPR的抢救行为评价系统。当今的评价系统是利用多个传感器,对抢救过程中仿真模拟病人体内的多个传感器所反馈的数据进行综合的评价,而没有对按压姿势的规范性进行评价。因此,本文为了达到辅助学员进行CPR训练与教学的目的,应用了深度学习网络框架对按压过程中的多种错误按压姿势进行识别,并采用多传感器信息融合的方式对抢救行为的规范性给予综合的评价。本文研究与设计了融合骨骼信息的抢救行为评价系统,并根据最新的美国心脏协会AHA心肺复苏指南要求以及通过对专业急救人员实际操作时的数据采集分析,定义了基于空间向量的按压姿势规范性识别模型（BNRM）,该模型用于为数据加标签。由于BNRM模型只能获取到骨骼信息中某一帧的空间特征,无法获取到帧与帧之间的时间特征,所以本文通过对多个网络模型进行性能对比分析后,选用双流自适应图卷积网络用来获取骨骼信息中的空间特征和时间特征,从而达到识别按压姿势规范性的目的。本文首先利用Azure Kinect采集按压人关节点的坐标数据,然后将采集的数据进行分解、转换、标定等预处理操作,生成网络能够读取的数据集文件,最后使用本文生成的数据集对双流自适应图卷积网络进行训练。本文采用Pytorch深度学习框架训练网络,将人体骨架序列的关节信息和骨骼信息分别送入网络的两个分支进行按压姿势规范性的识别。最后根据对仿真模拟病人体内传感器所获得的按压深度数据进行评判的结果,并结合按压姿势规范性的识别结果,利用多元线性回归模型为不同的错误类型扣除不同的分数,最后对抢救行为做出最终的评价。在实现抢救行为评价系统过程中,首先搭建了用于采集多传感器数据的PC机和系统服务器,并将系统所需要的硬件和软件环境配置成功,实现系统各部分的功能,并在服务器上搭建抢救行为评价系统,最后测试了抢救行为评价系统的功能以及性能。根据抢救行为评价系统的测试结果,表明了该系统完成了设计中的各项需求。抢救行为评价系统可以从PC机上获取Azure Kinect以及仿真模拟病人传感器所采集的数据,并根据这些数据进行抢救行为规范性的识别,把每次按压的错误类型和评价分数显示在界面中,最终给出综合的评分。通过B/S系统进行用户信息的管理。最后对系统的各个功能模块进行了测试,均达到理想效果。