在智能护理机器人领域,如何帮助机器人快速且准确地识别护理对象的动作行为已成为该领域的热点研究问题。准确识别动作行为是护理机器人实现护理智能化的先决条件,且可增强护理机器人的动态感知能力,故行为识别技术是护理机器人实现智能化的重要组成部分。基于深度学习的行为识别技术具有建模过程简便且训练模型容易的优点已逐渐成为行为识别技术的发展趋势,但基于深度学习的行为识别技术在识别准确率、泛化能力及收敛速度等方面均存在不足。基于此研究背景,本文基于图卷积神经网络与注意力机制,针对人体行为识别模型开展了研究,并构建了面向智能护理机器人的人体行为识别系统。（1）为探究图卷积神经网络在人体行为识别中的可行性,首先开展了人体行为的特征研究,并分析了卷积神经网络与图卷积神经网络;然后,结合多特征学习方法与特征融合策略,设计了基于双流图卷积神经网络的行为识别模型,实现了对人体骨架信息的特征提取;最后,基于NTU-RGB+D和UCF101行为识别数据集开展了人体行为识别研究,验证了该模型的有效性。（2）针对双流图卷积神经网络:模型缺乏针对全局上下文时间信息时域建模的能力;模型识别准确率不理想,泛化性能不够强的问题。首先,本文基于图表示理论与骨架序列的特征表示方法,构建了时间动作图与基于N阶固定时间结构的邻接矩阵;其次,利用时间动作图作为特征输入,融合非局部结构与图卷积理论,提出了时域自适应图卷积结构;然后,结合空间自适应图卷积结构,进一步提出了时空自适应图卷积神经网络行为识别模型;最后,为验证时空自适应图卷积神经网络行为识别模型的全局时域建模能力、模型识别准确率与泛化性能,基于NTU-RGB+D与SBU行为识别数据集开展了人体行为识别研究。（3）为提取时空信息且保留空间信息与时间信息间的关联性,并实现对于特定关节的关注,以期聚焦重要的动作信息。首先,基于图卷积中可处理变长邻居节点的图卷积核,引入三维卷积的三维采样空间将二维图卷积核改进为具有三维采样空间的图卷积核,提出了一种三维图卷积方法;其次,设计了一种注意力增强结构,实现了对于特定关节的关注且保留了未被关注关节的信息;然后,结合三维图卷积与注意力增强结构,构建了注意力增强的三维图卷积神经网络行为识别模型;最后,基于NTU-RGB+D和MSR Action 3D行为识别数据集开展了人体行为识别的研究。（4）为满足护理机器人家庭护理中针对护理对象感知与行为识别的需求,设计构建了人体行为识别系统。首先,针对家庭护理场景的动作进行分析并使用Kinect v2相机采集动作样本,构建了面向智能护理环境的行为识别数据集,以供行为识别模型进行微调;其次,为验证面向家庭护理机器人行为识别系统的可行性,开展了系统需求分析,对于行为识别系统的硬件系统进行了选型与软件开发环境进行选择,搭建了行为识别系统并配置系统所需的相关实验环境;最后,在家庭护理场景下完成了面向家庭护理机器人的行为识别系统与行为识别算法的测试,验证系统各模块的可行性。