基于骨架的人体动作识别是计算机视觉中的一个重要研究课题，其核心在于提取和学习具有区分度的骨架特征，以实现高精度的动作分类。但是由于歧义行为的存在，严重影响了分类识别的准确性，为此，围绕数据优化与计算复杂度降低，以及时空特征精细化建模两个核心方向提出两项关键创新：首先在数据输入的初期阶段，采用多分支输入结构，实现早期特征融合，使模型能够更高效地学习不同模态间的互补信息，从而提升计算效率并增强模型的泛化能力；其次，提出模糊特征细化模型，该模型有助于提取独特的时空特征，增强了模型对动作细节的敏感性以帮助区分高相似度行为，从而实现更精细的时空特征建模。根据以上研究所提出的多分支骨架特征输入下的歧义行为识别(GCN+)模型在两个大规模公共数据集ⅅ60和ⅅ120上进行实验证。涵盖四种单一模态及其融合模态。在单一模态下相较于基线模型，GCN+在ⅅ120的X-Sub下提升了2.6%，表明其在复杂环境下对不同主体的识别能力更强；在融合模态下，GCN+在ⅅ120数据集的X-Sub评估下提升了3.2%，在X-Set评估下提升了3.0%，进一步验证了该模型在大规模数据场景下的适用性，并在跨主体和跨视角识别任务方面展现了卓越的性能。