针对传统人体动作识别方法特征提取不完善和泛化性能不足导致识别精度不高的问题，提出一种基于深度学习的动作识别模型。改进了传统时域卷积网络(TCN),逐层指数级缩减空洞率，优化了时域卷积的残差结构，实现在浅层网络中提取到长时间间隔数据之间的时域特征和规范网络输出。重构结构进一步结合双向门控循环单元网络(Bi-GRU),提取数据局部特征输入到全连接层整合特征并进行Softmax分类。实验表明，提出的模型在自建数据集和公开数据集UCI-HAR上保持较低参数量的同时，准确率分别达到99.61%和94.16%,具备可靠的识别性能。