人体动作识别通常是指对给定的视频流数据或者三维骨架数据流进行分析并识别出其所代表的动作类型,在体育、人机交互、智能监控等领域上具有广泛的应用前景,目前已经成为计算机视觉领域中的研究热点之一。随着深度采集设备的推广,三维骨架数据直接给出了人体骨架在动作执行过程中随时间变化的三维坐标序列。因此,相较于视频流下的人体动作识别,三维骨架信息下的人体动作识别具有不易受到光照、遮挡以及环境变化等影响的显著优点,具有重要的研究价值。目前深度学习方法在三维骨架信息下的人体动作识别得到了普遍的应用并取得了不错的识别效果。然而,对于大量的相似性动作类型而言,动作执行过程中,关节的运动强度、范围乃至关节间的共现均比较一致,因此识别结果容易出现相似性动作相互混淆的现象。为此,本文以三维骨架信息下的人体动作识别为研究主体,就相似性动作的识别容易混淆的问题展开针对性的研究,在三维骨架信息下的图卷积动作识别模型中,特别引入运动数据流、注意力机制和特征融合的方法,有效改善相似性动作识别互相混淆的情况。首先,考虑到运动流数据蕴含了丰富的动作时序特征,本文以时空人体骨架图为基础,在常见的关节流数据和骨骼流数据之外,特别引入了运动数据流,基于自适应图卷积模块构建了一个三分支图卷积神经网络下的人体动作识别模型,通过关节运动流数据的引入增强时序特征的获取,进而改善相似性动作识别效果。其次,考虑到部分末端效应器的关节和骨骼的运动上通常包含了具有鉴别性的细节特征,本文进一步引入注意力机制,以特别关注鉴别性的关节和骨骼,并增强相应细节特征的作用,从而在相似性动作时序共现一致的情况下,进一步提高识别效果。最后,考虑到关节数据和骨骼数据具有特征互补性,本文引入特征融合策略对关节数据流和骨骼数据流两个特征提取分支进行融合的同时,还特别将运动数据流分支进行数据增强,将运动数据流分解为关节运动数据流和骨骼运动数据流,分别提取特征后进行特征融合,最终构建了双分支特征融合下图卷积神经网络的人体动作识别模型。实验结果验证本文引入的运动数据流、注意力机制和特征融合三种机制,一定程度上可以缓解相似性动作识别相互混淆的现象,有助于提高人体动作识别准确率。