将骨骼结构与图卷积网络相结合，在人体动作识别任务中已取得显著性能提升。然而，当前研究主要集中在设计用于表示骨骼数据的基本图结构，其嵌入特征仅包含基础的拓扑信息，难以从骨骼数据中学习更为系统化的表征。针对这一局限性，本文提出一种新型框架，将15种不同的图嵌入特征统一整合至图卷积网络中，用于人体动作识别，旨在充分挖掘图结构信息，有效区分动作中的关键关节点、骨骼连接以及身体部位，而非局限于单一特征或特定领域。此外，本文深入探究了如何筛选最优的骨骼结构图特征，以进一步提升动作识别性能。同时，通过挖掘骨骼序列的拓扑信息，进一步增强了多流框架下的识别效果。更重要的是，所采用的统一图特征通过训练过程中的自适应方法进行提取，进一步提升了模型表现。所提出的模型在三个大规模数据集（NTU-RGB+D、Kinetics 和 SYSU-3D）上进行了验证，性能超越现有最先进方法。综上所述，本研究通过统一多种图嵌入特征，推动了人体动作识别领域向更系统化、更全面的研究方向发展。