在现代生产生活中非接触人机交互已经成为一种不可忽视的交互方式,尤其在当前疫情条件下,更突显了它的重要性。对人体动作进行视觉信息采集、识别、分类是这种交互方式的重要实现方法。其中基于人体骨骼点进行动作识别是一种高效的识别方式。本文对基于人体骨骼点的动作识别中的噪声问题进行了相关研究:主要包括对骨骼点模型中大量存在的噪声进行了捕获和分析,对人体动作进行预测以此克服动作缺帧,并且在现有的双流CNN网络基础上进行模型改进,增强其对噪声的抑制能力。针对骨骼点序列数据中的噪声提取问题,本文选取数据集中静物被误匹配为人体数据作为包含帧间噪声的样本,对样本做完去中心化处理后用分布统计方法和曲线拟合方法估计出噪声模型。针对帧间动作未匹配产生的部分动作缺失问题,本文通过动作数据的连贯性进行丢失帧预测,使用双向LSTM网络作为编码端,使用单层的LSTM网络作为解码端,构成编解码的预测网络。双向LSTM赋予网络时序上的双向连贯性更加利于网络提取时序特征。对比实验的结果证明应用该方法预测人体动作的误差始终小于多层LSTM网络。针对帧间噪声问题,本文在双流CNN的基础上加入残差收缩网络,根据软阈值对中心噪声抑制的特性,在光流信号端加入了软阈值去噪机制和通道注意力机制。通过引入去噪机制,该方法在现有网络的基础上提高了网络对人体动作识别的准确率,并通过多个数据集进行验证。本文基于深度学习的方法,有针对性地对人体动作信息中的噪声处理进行探究,在预估的噪声模型基础上进行了相关的加噪实验,以此验证该方法在不同噪声环境下的表现。实验说明了基于双向LSTM搭建的编解码结构在处理帧间信息的缺失问题时要优于多层LSTM,利用该方法可以有效缓解缺帧产生的对后续识别网络的影响。在对双流CNN进行改进后引入软阈值机制和通道注意力机制构成一种能够抑制噪声的特征提取网络。通过在NTU-RGB+D数据集中使用交叉视角进行验证,该方法将识别准确率提高到89.8%;使用交叉对象验证方法,该方法将识别准确率提高到84.7%;而在SBU Kinect数据集中该方法将识别准确率提高到95.9%。本文提出的方法降低了人体骨骼点动作识别中的缺帧影响和帧间噪声影响,提高了识别的准确率和有效性。