人体行为识别主要应用于视频监控、人机交互、运动分析和虚拟现实等计算机视觉领域的众多场合中,该任务一直是学术界和工业界研究的热点之一。近年来,随着图卷积技术的发展,图卷积成功的应用到社交网络、交通网络、蛋白质分子结构等非欧几里德结构数据的特征提取任务中,这也标志着利用图卷积提取由人体关键点按照自然语义连接而成的人体骨骼的空间特征成为可能。同时循环神经网络在自然语言处理、视频分类等任务中都取得了突破性的进展,也证实了循环神经网络在提取时序特征上具有较大的研究价值。本文以图卷积和循环神经网络为基础,主要工作分为以下两个部分:一、结合图卷积与门控循环单元设计了一个全新的循环网络单元,使得空间特征和时序特征的提取在循环单元中交替互相促进,进一步提升了识别精度。二、设计蒸馏实验,在简单模型的训练中加入识别率较高的复杂模型中的“知识”作为先验来提升简单模型的准确率,运算速度较快的小模型上获得较高的识别精度。为了能够方便特征的提取,本文设计了特征映射结构,将关键点特征映射到高维空间以方便表达时空特征。设计了视角自适应结构,使得网络能够自适应的针对不同视角的关键点将其通过平移和旋转到一个相似的视角,以此来提高网络在视角上的鲁棒性。使用注意力机制是行为识别任务的通常选择,本文设计了作用范围各不相同的三种注意力机制,其分别作用于数据中的每一个元素、每一个关键点以及图卷积中的邻接矩阵中的元素,最终进一步提升了模型的识别精度。最后本文通过实验验证了上述结构的有效性同时找到了较优的参数设置以及注意力机制组合。在实际部署中,行为识别任务最好能够与视频拍摄实时进行。本文提出的网络在获得最大识别精度的情况下难以达到实时,为了在削减网络复杂程度的同时保持较高的识别精度,本文设计了蒸馏实验,在对比实验中找到了较优的蒸馏参数。