人体动作识别已经应用于多个领域,是计算机视觉科学中的一个热门研究方向。动作在空间和时间维度上具有多样性和复杂性,以及动作识别是一些其它领域的关键,因此对动作识别的研究仍然具有广阔的前景。深度学习技术与动作识别的结合使研究者可以设计出灵活多样的识别方法。基于深度学习和动作序列的骨骼数据,在本文中首先提出了一种增强的视图无关动作特征表示与组合时间注意力模型的动作识别方法。通过结合非髋关节的累积欧式距离增强了动作特征,突出了与动作关联更紧密的一部分关节,再使用一个组合时间注意力模型提取特征和分类动作。在两个基准多视图数据集上的实验结果表明,这种增强的视图无关动作特征表示相对骨骼数据能提升识别精度和更好的鲁棒性,整个方法能取得良好的识别精度。为进一步提升鲁棒性和减少动作的混淆性,在保留组合时间注意力模型架构的基础上,提出了一种基于帧插值和组合自注意力模型的动作识别方法。帧插值操作扩展了动作序列在时间维度上的信息,提升了鲁棒性和识别精度。组合自注意力模型充分利用了迁移CNN在图像识别和减轻过拟合方面的优势,自注意力机制自动地关注聚焦于显著可区分信息,相对前一种方法,该模型能够提升识别性能。在本文中还对实时动作识别方面进行了探索,提出了一种基于关键帧选取的实时动作识别方法,虽然在识别精度上不够理想,但在减少帧输入数据量方面显著有效,并在引入的实时评价指标上远超过前两种方法,这在将来的工作中具有可改进的价值。