人体行为识别具有广泛的应用场景,是当下多领域的热门研究方向。伴随着RGB-D传感器的问世,行为识别由二维空间扩展到了三维空间,3D骨架凭借其对行为高度抽象的表达被大量研究。本文将以深度学习方法为载体,对3D骨架序列的空间特征表达、时间运动关联、时空依赖关系以及判别性特征的提取等问题展开深入研究,在NTU-RGB+D数据集与MSR Action 3D数据集上进行实验。主要研究工作如下:针对传统循环神经网络空间特征表达不足以及训练中存在的梯度问题,提出了一种空间增强的残差独立循环神经网络模型。首先对3D骨架序列进行视角扩展与几何变换形成增强的空间特征表示,然后将其输入到残差独立循环神经网络中学习行为时序动态关联与空间结构关系。实验结果表明该方法取得了优于传统循环神经网络与长短期记忆网络的性能。针对图卷积网络中骨架图固定只表示人体物理结构,对骨架拓扑图结构自适应能力不足的问题,提出了一种双重注意力机制的自适应图卷积网络模型。首先提出了全局图结构和关联图结构,与自适应图卷积一起学习关节点之间的连接关系,然后提出了由关节注意力机制和全局注意力池化构成的双重注意力模块用于区分各关节点的重要程度。实验结果表明该方法能有效利用3D骨架的拓扑图结构并对重要关节点的特征进行学习,显著地提高了人体3D骨架行为识别的识别率。针对大多方法只利用骨架一阶信息缺乏高层次信息利用的问题,提出了一种多分支输入的多尺度注意力图卷积网络模型。首先将关节、骨架和运动三类高级语义信息按三流各自输入网络并在早期融合为一流,然后将关节注意力机制扩展为捕捉时空依赖关系的时空通道注意力机制,并将时间卷积层扩展为多内核的并行结构,最后将模块间的残差连接方式修改为块残差连接。实验结果表明该模型能有效利用多尺度的运动信息学习行为的时空依赖关系,进一步的提高了人体3D骨架行为识别的识别率。