随着社会的不断发展,公共安全已成为一个日趋重要的话题。尽管一些公共场合安装了监控设备,但是对于公共建筑物内的突发事件,监控设备无法实时识别并且报警,这会酿成不可逆转的悲剧。随着人工智能的不断发展,智能监控在智能安防领域有着很大的发展空间。现今主流的方法如双流法,光流法,它们能够利用局部特征进行人体行为识别,但是如果存在背景复杂、有遮挡物、光照强烈等复杂环境因素时,模型的预测结果会受到很大影响。而基于图卷积神经网络的行为识别方法是在人体骨架图的基础上进行分析,能够消除外界因素带来的影响,预测性能和鲁棒性能都有较大提高。本文对基于图卷积神经网络的异常行为识别方法进行了相关的研究,主要研究内容如下:（1）研究分析人体行为识别的相关理论,深度学习及图卷积神经网络的发展历程及其在的人体行为识别方面的研究进展情况,为本课题的研究找到突破点。（2）对ST-GCN（Spatial Temporal Graph Convolutional Networks）的行为识别方法进行研究,提出了一种改进ST-GCN的行为识别方法。针对ST-GCN中由于邻接矩阵归一化不对称而导致的数据爆炸的问题,对邻接矩阵采用一种更对称的归一化方式,保证数据能更平稳地进行传递;针对ST-GCN中不能对时序信息进行有效学习的问题,在时空图卷积网络后引入LSTM网络。最后通过对照实验得出LSTM网络的最优参数,改进方法的平均准确度相比ST-GCN提升了0.8%左右。（3）针对ST-GCN中不能充分提取空间运动特征的问题,在ST-GCN-LSTM中引入注意力机制,通过运动的特征信息使模型侧重主要运动的关节区域,以提高识别的准确度;针对ST-GCN中的分区策略只围绕局部动作,忽略了部分与整体之间联系的问题,在原有分区策略的基础上进行扩展,以加强身体各部分之间的联系,模型也能更全面的对动作进行识别。最后把它们融入到ST-GCN-LSTM模型中进行实验,改进方法的平均准确度相比ST-GCN-LSTM提升了0.3%左右。（4）在公共建筑的背景下,设计并实现了一个人体异常行为识别系统,该系统运用上述研究的模型,用于对建筑物内的人员异常行为检测与识别,经过实验,系统能满足需求。