基于骨架的动作识别方法因其对动态环境和复杂背景的强大适应性,已被广泛研究。为了从骨架关节点序列中识别不同的动作,对骨架所代表的人类姿势及其在时间维度上的变化进行建模是必不可少的。本文对该任务本身的特性、该领域的经典的算法和当前先进模型进行了分析和总结,创新性地提出每个关节点都包含且仅包含时间、空间和语意种类三种信息的观点。随着Transformer在建模序列结构、集合结构、图结构等领域的广泛研究,其也被应用于对骨架序列的建模,并成为当前先进模型的基础构型之一,而该领域大多数现有基于Transformer的方法在时间和空间维度上以相同的方式处理骨架序列,忽略了骨架数据中时间和空间维度之间的差异,这并不是建模骨架序列的最佳方式。本文认为模型应该通过每帧中骨架关节点构成的相对空间关系对人体姿态进行建模,同时,需要在时间维度上捕捉整个骨架的运动特征。因此,本文设计了 Spatial Transformer Block和Directional Temporal Transformer Block,分别用于在空间和时间维度上对骨架序列进行建模。由于遮挡/传感器/原始视频等原因,提取的骨架数据在时间和空间维度上都存在噪声,从而降低了模型的识别能力。为了适应这种不完美的信息条件,本文提出了一种多任务自监督学习方法,通过在不同情况下提供具有干扰性的样本训练来提高模型的鲁棒性。结合上述设计,本文提出了 Spatial Temporal Specialized Transformer（STST）,并在 SHREC、NTU-RGB+D 和 Kinetics-Skeleton上对本文提出的模型进行了实验。实验结果证明了所提出方法对性能的提升,并且针对本文提出的模型设计和对应的实验结果进行了分析。