行为识别是人工智能与计算机视觉领域最具挑战性的研究方向之一,在人机交互,医疗健康,智慧安防以及智能机器人等领域有着广泛的应用。行为识别技术的核心是通过聚合视频片段中每帧的预测信息从而实现视频级预测。尽管针对每帧图像的分类技术已经取得了很大的成功,但从二维图像的分类扩展到三维视频的识别仍然有一定的困难。因为从二维图像扩展到三维视频不仅因为计算复杂度的巨大提升,更需要捕捉视频中不同帧之间的时空上下文关系。因此,如何有效的提取出视频片段中的信息是行为识别领域中的一个关键问题。相比于传统的RGB信息,骨架序列由于不包含RGB信息,因此具有简洁、易校准、易计算等优点,使其成为计算机视觉领域中的一个热门课题。在基于骨架序列的行为识别方法中,如何有效的提取骨架序列中的特征并加以利用一直是最为关键的部分。本文利用图卷积神经网络对非欧式结构数据进行特征提取,学习相关行为的潜在信息,通过对先验知识的学习从而得到样本的整体分布情况。在此基础上,本文提出了三种基于人体骨架的行为识别方法,具体的研究成果及内容如下:（1）从提高识别精度的角度出发,提出了一种基于人体骨架的多方向图卷积行为识别方法。首先,对骨架数据进行预处理,降低骨骼点数据中的噪声干扰;其次,利用对称归一化的加权平均方法构建了一张时空图,从而更有效地捕捉骨骼数据的时空特征;最后,将关节点信息流和骨长信息流进行融合,从而得到最终的分类结果。（2）从减少网络中参数量的角度出发,提出了一种多模态轻量级行为识别方法。首先通过多模态数据融合的方式,将多种信息流数据进行融合;其次先后通过空间流模块和时间流模块获得对应的空间信息和时间信息;最后利用全连接层从而获得最终的分类结果。（3）从减少运算量的同时尽可能的提高识别精度的角度出发,提出了一种基于注意力机制的轻量级移位图卷积行为识别方法。首先,对骨架数据进行预处理,生成可直接用于训练的关节点信息流数据集,骨长信息流数据集,基于运动信息的关节点信息流数据集和基于运动信息的骨长点信息流数据集;其次,通过基于注意力机制的空间移位模块和时间移位模块分别获得融合后数据的空间信息和时间信息;最后,关节信息和骨骼信息以及它们所对应的运动信息都被集成在一个多流框架中进行融合,从而得到最终的分类结果。