基于骨骼的动作识别因不受人体物理特征的影响以及潜在优势,可以简单、清晰地传达人体行为识别的重要信息,已经成为了计算机视觉这一领域的活跃主题。然而传统的应用程序骨架建模通常依赖遍历规则的人为设置而导致表达能力有限和推广困难,以及部分方法未着重关注动作识别过程中身体部位之间的运动联系而导致的识别效率未达预期。针对这些问题,本文提出了基于ST-GCN的不同改进方法,主要工作内容如下:（1）在ST-GCN模型基础上提出了一种新的划分骨架关节点的分区策略:首先,利用Open Pose提取骨架关节点,在骨架序列中构造时空图,然后通过加强身体相对位置之间的关系构建新的划分策略,提高骨架关节点信息在时空上的关联。再联合利用帧序列空间信息来提取骨架信息,从信息中提取更高级别的特征来聚合图像。最后利用Soft Max对图像动作进行分类识别。（2）提出的新型训练策略能够有效改善训练模型的收敛性。首先,利用超参数的线性规则这一理论,对学习率进行相适应的调整。然后,根据学习率逐渐衰减的方法对模型进行训练。仿真结果表明,在有效改善了训练模型收敛的稳定性的同时,并不会增加训练时间。（3）在ST-GCN模型基础上提出了一种新的处理视频数据及骨架关节图的方法,能有效解决因复杂环境背景以及拍摄手段等问题所导致的不明确帧的干扰。首先,对视频数据使用马尔科夫决策过程,进行有效信息帧的关注。其次,对所选中的关键信息帧的骨架关节图中关节之间的依赖关系进行捕捉,从而加强ST-GCN模型在空间上的信息关联。（4）在人体行为识别的两大公开数据集Deepmind Kinetics和NTU-RGB+D（分为X-Sub和X-View两组数据集）上验证本文中所提出的两种基于ST-GCN模型的改进方法。根据实验结果显示,将加强身体相对位置之间的关系与提取骨架关节点信息相结合的分区策略有效地提升了人体行为识别的识别精度。通过对关键信息帧的提取和捕捉基于图像的卷积神经网络关节之间的依赖关系,对大规模数据集中视频数据存在大镜头运动稳定性差的问题有着明显的提升效果。对于本文提出的训练策略方法,在Kinetics和NTU-RGB+D（X-Sub和X-View）两组数据集上进行了验证。实验表明:在相同环境下进行训练时,通过训练策略对学习率进行相适应的调整,改善了模型收敛的稳定性,对应的两组数据集的top-1的识别精度分别有着一定的提升。本文中所提方法在大规模数据集下的识别精度与目前主流的方法比较具有较强的竞争力。