人体动作识别是分析视频中个体的动作和多人之间的互动行为。作为高级信息的骨架序列可以传达人类活动的紧凑信息,为描述人体动作提供有效的表示。图卷积网络（Graph Convolutional Network,GCN）通过将人体骨架构建为一个时空图,取得很好的分类结果。然而,大多数现有图卷积方法忽略了关节点之间的非物理依赖性,也没有充分考虑不同人体关节点和视频帧的重要程度。因此,对于基于骨架的人体动作识别,如何充分利用骨架图的拓扑结构进一步提取更具有判别力的时空特征是目前具有挑战性的问题。针对上述问题,本文提出基于时空超图神经网络的人体动作识别方法,可以提取更有效的时空特征信息,进一步提高人体动作识别任务的准确率。本文主要工作和创新点如下:针对运动中人体多个关节点之间复杂的高阶交互关系问题,提出一种基于超图卷积网络（Hypergraph Convolutional Network,Hyper-GCN）的动作识别模型。首先,利用稀疏表示构建超边结构,进而在超图上进行卷积运算来提取动作的时空特征信息。然后,在残差模块中提取空间共现特征和时间的相关关系,将两种特征进一步融合得到更丰富的共现特征。最后,采用多流信息集成的方法对四种信息流（关节流、骨骼流、关节运动流和骨骼运动流）的特征信息进行加权融合得到最终预测结果。针对不同的关节点和视频帧对识别任务具有不同贡献的问题,提出一种融合时空语义和注意力的超图神经网络（Hypergraph Neural Network,Hyper-GNN）的动作识别模型。以Hyper-GCN为基础,融入时空语义信息模块和时空注意力模块进一步生成该模型。空间语义信息帮助网络理解关节点之间的语义关系,时间语义信息可以关注视频帧之间的时间关系。同时,设计空间注意力（即,超图注意力）模块和时间注意力模块分别为不同关节点和视频帧赋予不同权重,可以更准确地捕获运动中的时空特征信息。本文在NTU-RGB+D和Kinetics-Skeleton数据集上进行广泛实验。实验结果表明,所提出的模型具有较好的灵敏度和鲁棒性,与主流人体动作识别方法相比具有一定的优越性。