过去十年里,计算机视觉技术快速发展,人体动作识别作为计算机视觉领域重点研究方向之一,成为近些年来的研究热点。人体动作识别根据给定人体骨架关节等带有行为的运动序列进行分析,利用一系列技术方法,分析判别出具体动作类别。有效分析挖掘人体动作序列特征所包含的信息,快速准确识别出对应动作类别,是人体动作识别的重点内容。由于人体动作识别技术功能性强,其在视频监控安防、医疗监护、学习娱乐、自动驾驶汽车等方向有着巨大的应用前景。骨架运动序列数据可以提供完整有效的身体姿态信息,并且对光照等外界条件变化不敏感,数据量小。本文主要研究基于运动序列特征的人体动作识别算法,通过对人体动作识别各种模型算法深入分析,本文在时空图卷积神经网络基础上提出了一种基于骨架序列数据的多流图卷积残差网络算法,本文研究内容如下:1.针对目前主流网络模型动作特征提取不充分的问题,本文提出了一种基于多流网络结构的动作识别算法,以多流网络为基础,对多种数据流信息融合。其中,在骨架关节信息的基础上,对骨架信息做进一步处理,提取出关节运动信息、骨信息和骨运动信息。出于计算成本的考虑,本文在数据输入到网络框架之前,对上述四种骨架信息进行融合,提升识别准确率的同时,可以有效减少计算量。2.针对骨架信息建模困难的问题,本文实现了一个以图卷积网络为基础的端到端图卷积网络结构。结合图卷积神经网络的时空特征提取优势,挖掘骨架信息非直连关节里的深层次特征,实现一种自适应图卷积网络算法,加入空间注意力机制,给予信息量丰富的关节更多权重。3.动作识别里的时间序列信息特别重要,为了提取动作时间序列里更深层信息,本文提出了一种跨域连接结构,通过引入跨域时间图卷积模块单元,能更有效挖掘时空特征。4.受到卷积神经网络中Res Net网络的启发,在图卷积网络GCN中加入残差结构单元,降低模型训练难度,增加结构稳定性的同时保持模型的准确性,提高了算法的鲁棒性。针对以上提出的算法模型,分别在NTU-RGB+D数据集上进行验证,通过实验分析并与先进的网络模型对比后,实验结果验证了本文方法的有效性。