人体动作识别的目标是通过视频分析和特征提取帮助计算机实现对视频中动作的识别,在安防监控、医疗检测、人机交互等领域都有丰富的应用场景和较高的应用价值。与基于RGB图像的方法相比,基于骨架的动作识别因其对光照、遮挡、视角、尺度等环境因素具有较高的鲁棒性,更适用于实际场景的应用。图卷积网络因其能保留和提取非欧式数据中的空间信息,在基于骨架的动作识别上取得了突出的性能。本文结合图卷积和深度学习中的时序建模方法,从特征融合、关键特征提取、时序建模等不同角度出发进行网络设计,从而提取更高判别性的鲁棒特征。具体工作总结如下:（1）提出了一种多尺度多流改进图卷积网络,可有效融合运动中的高阶特征和网络不同层次中的多尺度信息。在该网络每个时空卷积模块中,采用自适应图卷积与多核并行的时间卷积增强时空特征,并通过注意力机制强调运动中的关键点、关键帧和关键特征。在动作识别中首次引入了多尺度结构,以获得多层次信息。堆叠的时空卷积模块和多尺度结构组成了我们的单流模型。此外,我们构建了五个输入特征,包括关节、骨骼、关节运动、骨骼运动和骨骼余弦距离,分别输入到单流模型中。最终由多个模型结果的互补融合得到网络的预测。（2）提出了一种基于图卷积的门控循环单元网络,可有效获取高判别性的时间动态特征和空间结构特征,同时也能有效学习运动中时间维度和空间维度的共现特征。整体网络通过时间注意力池化和多层门控循环单元的堆叠增加网络感受野,从而获得深层次的语义信息。此外,采用注意力机制强调运动中的关键节点和关键帧。最终由最后一层循环单元的输出和时间末的隐藏状态共同预测动作类别。为验证本研究中提出的模型,我们在三个大型公开的骨架动作识别数据集进行了大量实验,并与其他先进模型进行了对比。实验表明,我们提出的模型能够达到当前领域的先进性能。