本文通过引入两种新型模块——图顶点特征编码器（Graph Vertex Feature Encoder, GVFE）和空洞分层时序卷积网络（Dilated Hierarchical Temporal Convolutional Network, DH-TCN），对基于骨架的动作识别的时空图卷积网络（Spatial-Temporal Graph Convolutional Network, ST-GCN）进行了扩展。一方面，GVFE模块通过将原始骨架数据编码至新的特征空间，学习适用于动作识别的顶点特征；另一方面，DH-TCN模块利用分层空洞卷积结构，有效捕捉动作序列中的短期与长期时序依赖关系。在具有挑战性的NTU RGB-D 60和NTU RGB-D 120数据集上进行了实验验证。结果表明，所提出方法在保持与当前最先进方法相当性能的同时，显著减少了网络层数与参数量，从而降低了训练所需时间与内存开销。