人体姿态预测是一项复杂的结构化序列建模任务，近年来受到越来越多关注，这主要归因于其在众多领域中具有广泛的应用潜力。现有研究主要从时间维度将其建模为时间序列，并通过运动学树或图结构来描述人体关节间的相互作用。这种处理方式虽将时空特性解耦，从而借助相关领域的进展取得了一定成果，但也限制了对人类姿态复杂时空动态结构的深入理解。本文提出一种新型的时空可分图卷积网络（Space-Time-Separable Graph Convolutional Network, STS-GCN），用于姿态预测任务。这是首个仅通过图卷积网络（GCN）统一建模人体姿态动态的框架，能够在单一图结构中同时捕捉时间演化过程与空间关节间交互关系，从而实现运动信息与空间相关性之间的有效交互。同时，STS-GCN是首个实现时空可分的图卷积网络：其时空图连接性被分解为空间相似性矩阵与时间相似性矩阵，该设计在限制时空交互的同时，充分保留了关节-关节之间以及时间-时间之间的全部相关性。两个相似性矩阵均采用端到端方式联合学习，所得连接结构显著偏离传统运动学树结构和线性时间序列假设。在三个近期且大规模的复杂基准数据集——Human3.6M [Ionescu et al. TPAMI'14]、AMASS [Mahmood et al. ICCV'19] 和 3DPW [Von Marcard et al. ECCV'18] 上的实验评估表明，STS-GCN在性能上超越现有最先进方法，在最具挑战性的长期预测任务中，平均性能提升超过32%，而模型参数量仅为当前最优方法 [Mao et al. ECCV'20] 的1.7%。本文通过可视化分解后的关节-关节和时间-时间学习得到的图连接关系，对模型性能提升进行了定性分析与解释。项目源代码已开源，地址为：https://github.com/FraLuca/STSGCN