随着技术的不断发展,人体骨骼模型运动构建技术应用也越来越广泛。人体骨骼运动在电影动作合成,动画制作,游戏人物角色控制等虚拟世界中,会更加的生动和逼真,更贴近于真实的人体骨骼运动。同样在现实世界中,通过和硬件设备的结合,人体骨骼运动模型也可以应用于人体康复辅助医疗设备。当前主流的人体骨骼模型制作方式,需要依靠庞大的动作库和状态机补间技术来实现。在人体骨骼模型制作过程中,关键帧根据需要从动作库进行匹配,关键帧之间采用状态机的方式进行连贯。动作库制作,需要专业人员使用深度摄像机和传感器,经过长时间的采集形成庞大且尽可能全面的动作库和状态机。这样的方式复杂且成本较高,人体骨骼动作的还原度与动作库是否全面和状态机补间是否自然有很大关系。针对上述问题,本文通过神经网络相关技术,利用神经网络处理高维度多输出数据的能力,构建人体骨骼运动预测模型。模型使用目前时序预测效果较好的,时间卷积网络和长短期记忆网络进行双残差链接融合。同时在融合后模型中,添加多头自注意力机制、相位机制和门控线性单元,以进一步提升模型的预测水平。本文的主要工作内容和创新点如下:（1）构建TCN-LSTM双残差链接模型。分析对比时间卷积网络和循环神经网络在人体骨骼运动预测方面的应用后,提出新的混合模型,采用四种不同的链接方式组合时间卷积网络和循环神经网络,分别是串联、并联、单残差链接和双残差链接。实验证明,双残差链接方式在四种模型中,无论训练集还是测试集表现都是最优的,同时预测效果优于链接前的单个网络。（2）将注意力机制加入到时间卷积网络当中,构建ATCN-LSTM双残差链接模型。多头自注意力模型引入到本模型时间卷积层中,可以更好的依据时间序列数据内部关系,为不同时刻数据赋予不同权重,进而有助于下一步的数据预测。实验证明,构建出的ATCN-LSTM双残差链接模型,在人体骨骼运动的预测上优于现有方法。（3）在ATCN-LSTM双残差链接模型中,融合相位机制和门控线性单元。在ATCN-LSTM双残差链接模型的基础之上,结合人体骨骼运动时序性和周期性的特点,在模型ATCN层中融合门控线性单元,起到让模型能够全面利用输入信息和专注于某些重要信息的作用。在模型LSTM层中融合相位机制,利用运动相位的周期性,动态更新LSTM权重,进一步提高模型预测的精准度。通过对比实验证明,本文提出的混合模型比其他现有网络预测更精准。