人体动作识别通过分析人体运动数据来判断人体动作的类别,是典型的多分类任务。它是行为分析和理解的重要基础和前提,在人机交互、智能监控、智能运动、医疗保健等领域具有广泛应用,近年来已成为了计算机视觉领域的热门研究方向。根据人体动作的信息载体不同,人体动作识别可以分为视频动作识别和骨架动作识别。前者的信息载体是连续的图像序列,后者则基于光学估计、深度相机、动作捕捉设备或三维姿态估计算法等得到的关节三维坐标序列,即骨架数据。骨架数据相较于图像视频数据而言,不受拍摄环境、背景、光照、人物穿着等因素的影响,因此具有更强的鲁棒性。本论文的主要研究内容是基于骨架的人体动作识别和三维姿态估计,并研发了一个应用于真实场景的动作识别算法。首先我们提出了一种基于非局部操作的骨架动作识别网络,然后提出了一种基于多尺度图卷积的三维姿态估计网络,最后设计了一个士兵会操动作识别算法。本文的具体工作如下:（1）提出了一种基于非局部操作的人体动作识别网络。首先通过非局部操作来学习关节之间的连接权重,然后通过时序卷积操作对关节间的时序关系进行建模,最后通过时空融合模块实现时间和空间特征的融合。该网络在NTU RGB+D Skeleton数据集上达到了接近最高识别准确率的水平,并且模型计算量和参数量都低于大部分主流网络。（2）提出了一种基于图卷积的三维人体姿态估计网络。首先设计了一种多尺度图卷积操作来聚合不同距离内的邻居关节特征,并结合了一种邻居关节分类策略来提高对邻居关节的刻画细粒度。然后设计了一种身体分层池化模块来获取不同尺度下的身体上下文信息。最后在此基础上设计了一种轻量级的三维姿态估计网络,并在Human3.6M数据集上达到了领先同类工作的姿态估计精度。（3）针对真实场景下的士兵会操动作识别任务,本文提出了一个基于关键姿态帧的动作序列分段和识别算法,能有效对会操的骨架序列进行动作分段和识别。该方法在实际应用中具有良好的效果,能满足实际应用环境的需求和限制。