人体动作识别作为视频分析中一个非常重要的组成部分,其已经在多个重要领域发挥至关重要的作用,包括视频监控、人机交互、自动驾驶等等。传统的人体动作识别主要基于RGB图像或视频,但由于尺度、光照变化以及背景噪声等因素的影响,效果不尽如人意。近年来,得益于深度传感器的发展以及人体骨骼关键点检测算法的成熟,越来越多的研究聚焦在基于骨骼关键点的动作识别算法上,并且开始使用图卷积对人体骨骼进行建模并加以分析。本文基于时空图卷积网络算法提出两种不同的改进算法:基于人体结构分解的图卷积神经网络与基于图变换的双流图卷积神经网络。基于人体结构分解的图卷积神经网络:针对时空图卷积网络只能捕捉整个人体骨骼的运动信息,无法获得身体部分区域的运动信息的问题。本文提出将人体骨架进行分解,以得到更细粒度的头部特征、躯干特征以及腿部特征,而后将三种不同的特征分别输入网络提取深层次特征,最后将各个深层次特征融合后经过softmax分类器得到最终的识别结果。对比实验表明,我们提出的模型较时空图卷积网络能够更好地捕捉身体某一部分的运动信息,并忽略不相关身体部分的运动的信息,对于多数动作类别有较大的提升。基于图变换的双流图卷积神经网络:针对时空图卷积网络中使用的邻接矩阵在训练过程中保持不变,会导致模型无法捕捉到与动作相关联骨骼关键点之间联系的问题。本文构建了基于图变换的时空图卷积网络,此网络能识别任意两个骨骼关键点之间的联系,加强每个骨骼关键点的特征表达能力。其中图变换模块能够根据输入数据自行变换邻接矩阵,以学习到最优的图结构。并且为了充分利用骨骼数据,设计并构建了双流网络利用二阶骨骼信息,以提升模型性能。可视化分析表明,本文提出的图变换模块能够生成新的图结构,此图结构能够捕捉与动作类别相关的骨骼点之间的联系,证明了图变换模块有效性。并且在加入了二阶骨骼信息后,模型有较大程度的性能提升,证明了二阶骨骼信息的重要性。