人类行为识别一直是计算机技术的重要研究内容,是机器理解人类行为的重要组成部分。但是传统的行为识别算法主要是根据图像序列的RGBD信息进行特征提取的,行为识别算法模型鲁棒性较差、识别精度不高或复杂度过高,本文基于图卷积神经网络和人体骨骼数据,提出了基于图卷积神经网络的人体骨架图的快速行为识别算法。研究内容如下:首先,针对原始的人体骨骼数据分布不均和特征不充分,导致识别精度较低的问题,提出了数据预处理的基于图卷积（Graph Convolutional Networks,GCN）的行为识别算法。将原始人体骨架中关节点相对于世界坐标系的坐标信息转换成相对人体中心点的相对坐标位置,使骨骼点数据分布均匀。为了提取到更能表征人体动作的特征信息,通过相邻两帧的相应的关节点坐标相减,增加了人体关节点坐标的速度特征。实验结果表明,所提方法能够自动捕捉人体骨骼图的空间关节的结构,对人体骨架图进行数据增强,提高了行为识别模型的精度。其次,针对空间图卷积无法获取下一帧相邻节点的信息,导致模型精度不高的问题,提出了基于3D图卷积的行为识别方法。将3D卷积的方法拓展到3D图卷积上,对人体骨架空间图卷积的同时加入时间序列上的卷积操作,以确保每次的图卷积操作不仅仅限于针对每一帧的人体骨架图,还包含着下一帧的信息。为了扩大特征提取时的接受域范围,使用了空洞卷积的方法进行图卷积操作。同时,为了更好的训练模型,在训练行为识别网络模型时,采用了SGDR法更新学习率。实验结果表明,本文所设计的3D图卷积网络模型,与先前的行为识别模型相比,准确度更高。最后,针对模型的复杂度过高的问题,提出了基于轻量级网络模型的快速行为识别算法。为了简化算法模型复杂度,在知识蒸馏的基础上对模型进行了优化与简化,构建了由真实标签与预测值和教师标签与预测值组成的两个损失函数,在两个损失函数之间设计一个合适的权重作为最终的损失函数。实验结果表明,所提出的算法模型复杂度有了很大的改善,在保证模型精度的前提下,减少了模型参数和计算量,提高了行为识别的快速性。