随着深度传感器与深度学习网络的发展,基于骨架数据的人体动作识别成为近年来计算机视觉领域的热门问题之一。通过传感器获得的骨架数据可以表示人体关节动态信息以适应带有噪声的复杂背景。应用图卷积网络描述人体骨架实现人体动作识别可以取得很好的识别效果,但实现过程中仍存在一些问题,如图的拓扑结构固定、会遗漏非物理连接的关节相关性、无法提取局部时空特征等。首先,参考近年来基于骨架数据与图卷积网络的人体动作识别的国内外文献,本文提出了一种基于区域关联自适应图卷积网络的骨架动作识别,通过自适应图卷积使参数化的全局图和单个数据图的结构与模型卷积参数在不同的层中分别进行训练和更新,增加了模型中图形构造的灵活性与模型对于各种数据样本的通用性,并加入注意力机制测定物理连接关节之间的连接性与连接强度。同时引入区域关联图卷积,通过在关节特征与连接特征之间交替信息传递来捕获数据帧间各关节的非物理连接相关性。将区域关联图卷积、自适应图卷积与时间图卷积融合得到区域关联自适应图卷积网络,并加入骨骼的二阶数据对原有关节数据进行信息补充,融合两者构成双流网络提升识别网络的性能。其次,对于传统图卷积网络中时间图卷积与空间图卷积交替训练可能导致信息无法跨时空交流等问题,本文提出了一种基于时空融合图卷积网络的人体动作识别。引入可膨胀的滑动时空窗口,通过一种时空图卷积算子将连续帧间的时间信息与空间信息进行融合,利用密集的跨时空边作为跳跃连接,使得信息直接跨时空传播,从而捕获时空特征。然后通过将时空图卷积算子与一种新的时间图卷积相结合,提出一种时空融合图卷积网络。该网络首先运用时空融合路径和因式分解路径,在提取长时间特征信息的基础上进一步提取局部时空特征,然后再以同样的关节、骨骼双流网络框架提升网络的性能。最后,在NTU-RGBD和Kinect-skeleton数据集上实验表明,区域关联图卷积捕获网络对于非物理连接关节的潜在依赖性,自适应图卷积加强了网络对于结构的灵活性与数据的通用性,区域关联自适应图卷积网络对于人体单一动作的识别率有了一定的提升。时空融合图卷积直接从骨架图序列中建模时空依赖关系,使时间图卷积与空间图卷积进行融合,提取局部时空特征,能有效识别多动作合成的长动作。两种网络都通过双流框架提升分类性能。