针对现有基于骨骼行为识别的图卷积的方法存在关节划分固定、重视空间信息而忽视时间信息并且网络参数量较高等问题。首先引入对称关节的信息，增加对称动作的交互特征；其次，加入多尺度金字塔（Multi-scale Pyramid, MSP）时间图卷积模块，形成双分支（Dual-branch, DB）的网络结构，提高网络对时间维度的信息提取能力；最后，本研究利用特征映射和空间聚合（Feature Mapping and Spatial Aggregation,FM-SA），在保留原始拓扑结构信息的前提下，过滤了权重矩阵中的冗余部分，并添加了挤压-激励（Squeeze-and-Excitation,SE）模块，从而有效提升了空间特征的提取能力和特征图的表达能力。实验结果表明，与基准模型相比，网络参数量减少51%，在NTU RGB+D 120数据集上的关节、骨骼流的识别准确率分别提高了0.5%和1.3%，融合准确率提高0.7%,0.5%，在NTU RGB+D、Northwestern-UCLA(NW-UCLA)数据集的识别准确率分别提升0.1%,0.2%,1.5%。本文模型的有效性和可行性得到验证。