随着深度学习的发展,行为识别已经成为计算机视觉领域一个十分热门且重要的分支。当前行为识别已经有了广泛的应用,包括视频理解、人机交互以及虚拟现实等等。近年来,随着图卷积网络(将卷积神经网络应用到图中)的发展,行为识别领域又获得新的突破,识别准确率进一步提升。然而,当前存在的图卷积方法感受野太小,只能学习到邻近关节点的相关信息,无法像卷积神经网络一样通过池化扩大感受野提取行为的高层次特征,例如人体五个区域之间的交互特征;其次,当前图卷积方法对于易混淆的行为类别区分较差,原因在于其给予所有动作的关节点和通道分配的权重相同,导致用于区分易混淆动作的关节点和通道不能重点突出。本文从现有的基于图卷积的行为识别模型存在的问题出发,综合考虑模型的实用性和识别性能,创新性地提出了基于图卷积的人体区域池化策略、基于图卷积的轻量化模型以及基于图卷积的关节点和通道注意力模型。本文的主要研究内容以及创新性包括:(1)提出了一种新的基于图卷积的人体区域池化策略,即基于人体运动形态的三步区域池化策略。考虑到人体骨骼固有的图结构以及人体的运动形态特征,采用一种按照人体五部分区域逐步池化的方法来学习行为的高层次特征。人体骨骼大致可以分为五个区域,双手,双脚以及躯干;更进一步,可以分为上半身和下半身。通过逐步池化来学习区域之间的交互特征进而提高行为识别的准确率;(2)提出了一种新的基于图卷积的轻量化模型,即四层图卷积的轻量化模型。经过人体区域池化策略后,关节点之间的信息流通速度加快,可使用更少的图卷积网络层数提取行为特征;在减少模型参数和计算量的同时不影响识别的准确率,使得图卷积网络模型更加轻量化;(3)提出了一种新的基于图卷积的关节点和通道注意力模型,即融合局部信息和全局信息的注意力模型。此注意力模型可综合考虑到行为的时序信息、局部信息以及全局信息,为不同的关节点和通道学习不同的权重,挖掘易混淆行为在关节点和通道中存在的微小差别,对易混淆的行为做出更好的区分。为验证本文所提出方法的有效性,采用当前应用最广泛的三个行为识别数据库:NTU-RGB+D,Kinetics-M和SYSU-3D进行了验证。实验结果表明,本文的模型在前述三个行为识别数据库中的准确率均优于当前最先进的方法。