随着计算能力与深度学习技术的飞速进步,基于视觉信息的人体姿态识别在诸多领域具有广阔的应用前景,但受光照变化、相机运动等问题的影响,基于RGB视频图像直接对动作进行识别的效果并不理想,因此如何精准高效地进行人体姿态识别是目前亟需解决的问题。本文基于RGB视频首先进行人体姿态估计,进一步基于提取到的人体骨架序列进行动作识别,主要研究内容如下:分析总结了人体姿态估计和动作识别模型的发展,研究了人体姿态识别相关技术基础,包括2D人体姿态估计方法中自顶向下和自底向上两种方法及其差异、用于动作识别的图神经网络、用于处理时间序列信息的Transformer网络,以及姿态估计和动作识别相关数据集。研究了2D人体姿态估计中的代表算法,总结Open Pose算法、Alpha Pose算法以及Lite-HRNet算法,在公开数据集上实验,进行性能对比分析,结果表明Open Pose算法在推理速度方面具有一定优势,Alpha Pose推理结果准确度更高,Lite-HRNet在精度略微损失的同时可以兼顾推理速度和精度,本文最终选定LiteHRNet模型对动作视频进行骨架序列提取。研究了基于骨架数据的动作识别,在ST-GCN算法基础上,将固定结构的骨架图改为由样本数据驱动的自适应图,通过自适应的连通图实现不同样本在不同层个性化地表达节点连接关系,增加空间图卷积过程的灵活性和通用性。之后提出一种结合残差通道注意力机制的自适应空间图卷积结构以增加节点关键特征的表达能力,引入关节点二阶速度信息与空间位置信息进行组合加强,算法效果在NTU RGB+D数据集上进行测试,在x-view和x-sub基准下,准确率分别提升到94.5%和87.3%。研究了自适应时空图卷积网络结合Transformer网络,对动作序列中多帧间的长程时间相关性进行特征提取。结合使用TCN（Temporal Convolutional Network）和Transformer网络在整个模型中同时提取局部及长程时间特征,对整个动作序列中节点之间的时间相关性进行更加准确地建模,融合Transformer网络可以在保证模型准确性的同时降低模型计算复杂度,算法效果在NTU RGB+D数据集上进行测试,以约1/7的计算复杂度在x-view和x-sub基准下,准确率分别达到93.9%和85.0%。