近年来,基于骨架的人体动作识别受到研究人员的广泛关注。骨架数据能够鲁棒地适应如相机视角变化和背景干扰等动态的环境变化,因此可以帮助识别方法关注更鲁棒的动作特征。目前的先进方法将人体建模为拓扑图,并利用图卷积神经网络（graph Convolution Network,GCN）提取动作特征。但仍存在一些问题:一方面,动作由骨架姿态的时间序列构成,有效的时空特征易隐藏在冗余的关节顶点或帧中,如何让模型关注更重要的时空特征是一个尚未解决的难题;另一方面,一个鲁棒的识别算法应具有能生成精确、动态地反映关节间时空相关性的骨架图嵌入的能力;此外,虽然GCN具有很强的空间模式学习能力,但它忽略了消息传递所捕获的不同程度的高阶依赖关系,从而产生过平滑（over-smoothing）问题。针对上述问题,本文开展了骨架动作识别的相关研究。首先,本工作利用核注意力机制设计了一种时空特征增强器——时空核注意力模块,帮助模型关注更重要的时空特征。并创新地应用相似度函数聚合骨架序列的时空特征,提出了一种更鲁棒的自适应图策略。其次,本工作构建了一种时空核注意力自适应图卷积神经网络（KA-AGCN）,并表现出了优异的识别性能。并利用基于多头（multi-head）自注意力的图Transformer算子建模关节点间的高阶空间依赖,以缓解图卷积的过平滑问题。最后,在KA-AGCN的基础上,应用了一种耦合多尺度动作特征的关节-骨骼双流策略,进一步提出了一种双流时序核注意力自适应图Transformer神经网络（KA-AGTN）。在双流策略的帮助下,KA-AGTN在NTU-RGBD 60和NTU-RGBD120数据集上,识别准确率显著提升。在Kinetics-Skeleton 400数据集上,识别准确率达到了国内外最先进（state-of-the-art）的水平。