随着万物互联时代的来临,基于计算机视觉的人体动作识别研究已经成为当今一个重要的研究课题。传统的动作识别模型多数利用图像RGB数据、深度数据作为数据特征识别动作,但这些类型的数据通常含有大量外部噪音,使得模型的鲁棒性较差。近年来,应用图卷积网络对图结构数据进行分析的方法为计算机视觉领域提供了新的研究方向,而使用图卷积网络对人体3D骨骼点这一典型图结构数据进行建模和分析也成为了人体动作识别研究的新热点之一。本文针对基于时空图卷积网络（ST-GCN）模型的人体3D骨骼点动作识别方法展开研究,利用图卷积网络中的邻接矩阵获取人体相邻骨骼点之间的关系,并引入注意力机制对时空通道间以及帧间的权重关系进行自适应分配,提出对ST-GCN模型进行一系列改进方法。主要研究内容如下:第一,提出一种时空多残差图卷积神经网络模型,实现对人体骨骼时空图局部和全局信息的充分利用。针对ST-GCN模型对于相似动作区分不准确的问题,在对人体骨骼时空图结构中图子集的分区基础上,本文设计一种残差网络模型来学习人体非相邻骨骼点之间的特征信息,使骨骼点特征信息的利用更加全面。在人体骨骼时空图的空间域卷积中,模型并行学习两个特征分支,一个特征分支学习经过图子集划分的相邻骨骼点数据（局部特征）,另一个特征分支利用残差网络学习未图子集经划分的非相邻骨骼点数据（全局特征）,并利用残差网络中短连接的连接思想融合两分支中的局部特征和全局特征,提高模型的表达能力。在NTU-RGB+D、Kinetics数据集上进行对比实验,实验测试结果表明所提出的时空多残差图卷积神经网络模型性能优于传统骨骼点动作识别模型。第二,提出一种基于注意力机制的时空多残差图卷积神经网络模型,实现对重要特征的更有效提取和利用。该模型借鉴传统卷积神经网络（CNN）中通道注意力机制模型SENet的方法思想,将时空图卷积神经网络输入骨骼点特征图中最后三个维度（C,V,T）与图像特征中的三个维度（C,H,W）相对应,通过引入通道注意力模块和帧注意力模块的方式,压缩汇聚人体骨骼特征信息,重新对通道间和帧间的权重关系自适应分配,使模型有选择地强调有用特征,抑制无用特征。最终在NTU-RGB+D和Kinetics数据集上的测试结果表明了该模型的有效性。