针对基于人体骨架序列的动作识别存在的特征提取不充分、不全面及识别准确率不高的问题，本文提出了基于多分支特征和多尺度时空特征的动作识别模型。首先，利用多种算法的结合对原始数据进行了特征增强；其次，将多分支的特征输入形式改进为多分支的融合特征信息并分别输入到网络中，经过一定深度的网络模块后融合在一起；然后，构建多尺度的时空卷积模块作为网络的基本模块，用来提取多尺度的时空特征；最后，构建整体网络模型输出动作类别。实验结果表明，在NTU RGB-D 60数据集的两种划分标准Cross-subject和Cross-view上的识别准确率分别为89.6%和95.1%，在NTU RGB-D 120数据集的两种划分标准Cross-subject和Cross-setup上的识别准确率分别为84.1%和86.0%。与其他算法相对比，本文算法提取到了更为多样化、多尺度的动作特征，动作类别的识别准确率有一定的提升。

动作识别是计算机视觉基础任务之一，骨架序列包含了大部分的动作信息，因此基于骨架的动作识别算法受到很多学者关注。人体骨架在数学上是一个天然的图，所以图卷积被广泛应用于动作识别。但普通的图卷积只聚合两两节点间的低阶信息，不能建模多节点间的高阶复杂关系。针对此问题，本文提出一种多尺度超图卷积网络，在空间和时间两个维度聚合更丰富的信息，提高动作识别准确度。多尺度超图卷积网络采用编解码结构，编码器使用超图卷积模块聚合超边中多个节点间的相关信息，解码器使用超图融合模块恢复原始骨架结构，另外基于空洞卷积设计了多尺度时间图卷积模块以更好地聚合时间维度运动信息。NTU-RGB+D和Kinetics数据集上的实验结果验证了算法的有效性。

动作识别是计算机视觉领域的一项重要任务，主要有基于RGB视频和人体骨架两种数据模态的领域，主流方法分别是3D卷积神经网络和图卷积神经网络。针对视频和人体骨架两种数据模态的不同特点，设计了双分支网络分别对两种数据模态进行建模。对于人体骨架数据，基于自注意力机制设计了图卷积神经网络，该算法能在基于骨架的动作识别任务中达到先进的性能。对于视频数据，采用3D卷积网络进行特征提取。同时，利用深监督方法对两种数据模态的中间特征进行监督，提高两种数据特征的耦合度，进一步提高网络效率。这种算法的网络结构简单，在NTU-RGBD60（CS）数据集上仅用3.37×10⁷的参数量可达到95.6%的精度。

针对目前人体动作识别技术中存在的隐私暴露、技术复杂度高和识别精度低等相关问题，提出了一种基于热释电红外（PIR）传感器的人体动作识别方法。首先，采用一组安置在天花板上经过视场调制的PIR传感器采集人体运动时散发的红外热辐射信号，将传感器输出的电压模拟信号进行滤波放大后通过ZigBee无线模块传送到PC端打包成原始数据集；其次，将原始数据的两路传感器输出数据进行特征融合，对融合后的数据做标准化处理封装为训练集和测试集；然后，基于数据的特征提出一种两层级联的混合深度学习网络模型作为人体动作的分类算法，第一层采用一维卷积神经网络（1DCNN）对数据进行特征提取，第二层采用门控循环单元（GRU）保存历史输入信息防止丢失有效特征；最后，利用训练集来训练该网络模型得出参数最优的分类模型，通过测试集验证模型的正确性。实验结果表明，提出的该动作识别技术模型对基本动作分类的准确率高于98%，与图像动作识别或穿戴式设备动作识别相比，实现了实时、便捷、低成本和高保密性的高精度人体动作识别。