作为图像和视频中的主要表现对象,研究让机器自动从图像和视频中识别人体的动作行为,具有非常重要的研究价值,也一直计算机视觉研究领域的热点问题。人体行为识别研究在视频监控、医疗保健、智能家居和人机交互等方面具有广泛的应用前景。人体的动作表现,主要是由骨架和关节点间相互牵引协作共同完成,因此人的骨架关节图中包含丰富的动作特征信息,并且骨架信息对尺度、光照和视角等变化具有很强的鲁棒性。在视频流任务中,时序维度较高,时序骨架特征与空间骨架特征的建模方法一直不成熟,模型计算量大与识别精度不高。本文针对以上问题展开深入研究,提出两种图神经网络模型,一种是在时空图卷积神经网络中引入空洞卷积与空间金字塔池化模块,另一种是融合图卷积神经网络和长短期记忆神经网络的双流网络方法2S-LSGCN,本文的主要工作如下:（1）总结并分析基于深度学习的人体行为识别方法,以及基于骨架关节点的人体行为识别的常用方法和数据集,并对之进行一定的归类处理。并针对视频流中骨架关节点的获取与骨架关节图的构建,进行归纳介绍。（2）提出了一种简单轻量级的模型,可有效解决动作关节图中时间特征不足、识别准确率不足的问题。首先,本文模型在时空图卷积神经网络的基础上,引入空洞卷积,以替换传统模型中普通的时间卷积核,使用带孔卷积提取时序特征来进行行为识别,以提取更大帧间范围的时序特征。其次,简单动作的视频中时间较短,缺少足够的时序特征,使得识别准确率较低。由于金字塔池化具有不同采样率和多重视野,能够以多尺度捕捉对象的空间特征与时间特征,本模型引入空间金字塔池化模块,以此弥补时序特征不足的问题,进而提升了模型的识别精度。（3）提出一种融合图卷积神经网络和长短期记忆神经网络的双流网络方法2S-LSGCN。该方法从人体关节点组成的骨架关节图中,提取动作的空间与时间特征。并利用GCN提取骨架关节点间潜在的空间信息,利用LSTM提取人体动作前后之间的时间序列特征作为补充,最后分别将两个网络的预测输出进行晚融合,解决了单个网络泛化能力不足的问题,以此解决复杂动作中空间复杂性和时间复杂性问题。