近年来许多行为识别研究将人体骨架建模为拓扑图，并利用图卷积网络提取动作特征。然而，拓扑图在训练过程中固有的共享和静态特征限制了模型的性能。为解决该问题，提出基于自适应空间图卷积和时空Transformer的人体行为识别方法—ASGC-STT。首先，提出了一种非共享图拓扑的自适应空间图卷积网络，该图拓扑在不同网络层中是唯一的，可以提取更多样化的特征，同时使用多尺度时间卷积来捕获高级时域特征。其次，引入了一种时空Transformer模块，能够准确捕捉远距离的帧内和帧间任意关节之间的相关性，建模包含局部和全局关节关系的动作表示。最后，设计了一种多尺度残差聚合模块，通过分层残差结构设计来有效扩大感受野范围，捕获空间和时间域的多尺度依赖关系。该ASGC-STT方法在大规模数据集NTU-RGB+D 60上的准确率为92.7% (X-Sub)和96.9% (X-View)，在NTU-RGB+D 120上的准确率为88.2% (X-Sub)和89.5% (X-Set)，在Kinetics Skeleton 400上的准确率为38.6% (Top-1)和61.4% (Top-5)。实验结果表明，ASGC-STT方法在人体行为识别任务中具有优越的性能和通用性。