人类行为识别是计算机视觉领域的一个活跃的研究领域,包括公共安全监控、生物识别、人机交互、体感游戏和自动驾驶等领域。本文从人体运动特征表示和时空图卷积网络等方面对人体行为识别做深入研究。图卷积网络（Graph Convolutional Networks,GCN）在骨架视频动作识别方面取得了显著的性能。然而现有的基于GCN的方法大多是通过增加模型参数来提高性能。这些模型的训练需要大量的数据,所以它们通常在小样本学习任务中表现不佳。GCN在基于深度图数据的人体行为识别应用较少。图像矩可以描述图像块的大小、位置、方向、形状等几何特征,因此本文引入图像矩表示人体运动。在以上背景下,本文研究的主要内容包括以下两个方面:一、针对基于图卷积网络的模型在小样本数据集上的性能不佳的问题,设计了一种增强数据引导算法。首先,增强数据通过对骨骼数据进行坐标转换来获得缩放、旋转和平移的鲁棒性并扩充数据量。然后,利用增强数据训练教师模型。接着在空间和时间维度上分别选择关键关节和关键帧,结合成关键节点作为目标模型的输入。最后,将教师模型的输出特征作为目标的额外监督并结合样本原有标签指导目标模型学习。二、针对图卷积在深度图数据方面缺乏应用和人体自然结构对模型的适应适应不足的问题,设计了一种基于自适应质心时空图卷积的人体行为识别方法。首先,通过计算三级粒度的图像块的质心坐标来获得三个投影图的质心坐标集合。然后根据相邻粒度级节点之间的连接关系构造空间边缘,根据相邻帧之间的连接关系构造时间边缘。最后,自适应图卷积可以学习图的拓扑结构,从三个投影图融合质心图,补充时空图的空间边缘信息。此外,质心时空图是一种将图片转换到图的方法（Image-to-Graph）,它与骨架时空图具有相同的结构,这意味着它们的融合具有更强的性能。本文还在后续的工作中添加了对应图像块的非零元素平均深度值作为节点的第三维坐标,将二维质心坐标转换为三维。