人体运动识别作为计算机领域的前沿方向,具有十分重要的研究意义,相关算法可以被应用到许多领域,例如动作内容分析、人机交互、视频合成、视频检索等。特别是近几年来短视频平台的高速发展,使得相关的人体动作视频越来越多,对于这些视频信息的处理研究都需要有高效准确的识别算法作为支撑,因此研究人体动作识别算法在计算机领域势在必行。在人体动作识别的算法研究中,有很多经典的视频分类数据集,例如UCF101、HMDB51等,很多研究都在这些数据集上取得了很好的效果。不过这些数据集中的样本内容大多都与背景具有一定的相关性,通过识别背景中的元素就能进行分类,例如乐器演奏、骑自行车这类运动的识别。这导致一些算法在设计时不足以关注到人体运动本身的特征。本文选择了更加细粒度的花样滑冰运动数据集FSD-10来进行人体动作识别算法的研究,探讨了骨骼点特征在研究人体运动时的优势,并提出了一种新的图卷积神经网络结构——DSTG网络（Dense Spatial Temporal Graph Network）来提高人体运动算法的准确率。本文的主要贡献如下:（1）对细粒度的滑冰数据集FSD-10提取骨骼点特征,建立骨架时空图,并在该数据集上复现了现有的图卷积人体动作识别网络。针对FSD-10样本时长分布不均衡、骨骼点特征波动大等问题提出了解决方案,并通过实验验证了预处理方案能够有效的提升现有网络模型的识别准确率。预处理策略使STGCN网络在FSD-10上的识别准确率从75.03%提升到了84.24%。（2）结合DenseNet和STGCN的设计思想,提出了新的图卷积网络结构DSTG模块。DSTG模块采用稠密连接（Dense connectivity）的形式进行连接,有效地利用网络浅层的特征,降低了网络参数的冗余程度,使DSTG网络在FSD-10数据集达到86.82%的识别率的情况下,模型参数量比STGCN减少了5倍。（3）分析了现有人体动作识别的图卷积网络在建立邻接矩阵时划分策略的局限性,根据滑冰运动特点,定义了基于凸包建立的邻接矩阵,能够作为模块对已有的网络模型进行补充,特别是与DSTG网络结合后能达到88.47%的准确率,提升了对于花样滑冰人体运动的识别效果。