随着社会的发展,人们对机器智能化的需求也越来越高。人体动作预测任务旨在基于观察到的人体动作序列来自动预测未来的人体动作序列,它使得智能机器可以基于目前的人体运动状态来预测未来的人体动作,从而帮助智能机器主动做出后续的人机交互行为。目前,大多数现有方法都是基于编码器-解码器架构的,它们可以归纳为两类:一类是将骨骼点动作表示为关节坐标矢量,然后通过循环神经网络对人体运动进行建模;另一类是将骨骼点动作表示为伪图像,然后通过卷积神经网络对人体运动进行建模。这两类方法有着一个局限性:循环神经网络和卷积神经网络只能在单个领域中对运动相关性进行建模,即循环神经网络用于时间域,而卷积神经网络用于空间域。也就是说,如何同时对时间域和空间域的人体运动相关性进行建模仍然是一个需要解决的问题因此,本文以基于卷积门控循环单元网络的人体动作预测方案为基准,主要在以下方面展开研究:1)提出一种新颖的基于卷积门控循环单元网络的跳接注意力编码器-解码器框架方法。首先,该方法以分层的网络结构对骨骼运动进行建模,以获取人体动作序列的跨尺度特征。其次,设计一个新的自更新卷积门控循环单元网络作为每一层的基本单元来捕捉人体骨骼点的空间相关性。此外,在自更新卷积门控循环单元的顶部设计一个跳接注意力层以融合人体动作序列的跨尺度特征。最后,在两个公共数据集上进行了实验,实验验证了所提出的方法的有效性。2)提出一种基于卷积门控循环单元网络的人体动作对抗生成方法。该方法借用生成对抗网络的对抗训练思想来改进生成人体动作的预测效果。其主要贡献是设计一个人体动作序列合理化判别器以帮助网络生成更真实的人体动作序列。实验证明该方法能够有效提升人体动作的生成效果。