人体动作识别是计算机视觉领域的重要研究方向之一,在人机交互和自动驾驶等众多领域有广泛的应用前景。近年来,由于骨架序列数据的轻量性以及对环境变化的鲁棒性,基于骨架序列的动作识别方法受到了广泛关注。图卷积网络（GCN）在非欧几里德结构的数据建模方面具有天然优势,可以充分利用图形数据的空间几何结构信息,已应用于骨架序列动作识别方面并取得了很大进展。本文主要对基于自适应图卷积网络（AGCN）的人体骨架序列动作识别方法进行研究,主要研究工作和创新点如下:第一,提出一种多分区和外部注意的自适应图卷积网络（ME-AGCN）模型。针对自适应图卷积网络按照固定的空间配置分区策略进行图卷积运算无法充分建立关节连接关系的问题,本文设计一种多分区策略,在空间配置分区策略的基础上探索最优的分区个数,建立更丰富的关节连接关系,更好地适应不同动作的变化特征。针对时间卷积网络（TCN）分层聚合局部时间信息无法捕获序列的长期时间依赖关系的问题,本文在模型中引入外部注意力网络（EANet）,通过两个记忆模块获取样本任意位置的相关性,实现对序列的长期时间依赖关系建模。在国际公认的标准数据集上的实验表明所提ME-AGCN模型具有较高的识别准确率。第二,提出一种时间协方差池化和多分区共享注意的自适应图卷积网络（TCP-MSAGCN）模型。针对网络末端使用全局平均池化（GAP）对分类特征进行归一化忽略了目标特征时空信息的问题,本文利用时间协方差矩阵保留分类特征的时空信息,并使用快速矩阵功率归一化技术充分利用协方差矩阵的空间几何结构信息。同时,为了避免AGCN的注意力机制在每个分区内重复计算导致数据冗余和增加计算复杂度的问题,本文设计了一种共享注意力机制,在图卷积运算之外计算关节注意力图,并在每个分区内共享。实验表明所提TCP-MSAGCN模型与现有模型相比有较好的识别效果。