三维人体姿态估计是理解人类行为的基础。近年来，图卷积网络（Graph Convolutional Networks, GCNs）取得了令人瞩目的进展，不仅达到了当前最优的性能水平，还提供了相对轻量级的网络架构。然而，GCNs 的一个主要局限在于其无法显式编码关节之间的全部变换关系。为解决这一问题，本文提出一种基于莫比乌斯变换（Möbius transformation）的新型谱图卷积网络（MöbiusGCN）。该方法能够直接且显式地建模关节间的变换关系，从而获得更为紧凑的表示。与迄今为止最轻量的架构相比，本文提出的模型参数量减少了90%至98%，其中最轻量的MöbiusGCN仅需0.042M个可训练参数。除了参数量的显著降低，显式编码关节变换还使模型在性能上达到当前最优水平。我们在两个具有挑战性的姿态估计基准数据集——Human3.6M 和 MPI-INF-3DHP 上对所提方法进行了评估，结果表明，MöbiusGCN 不仅在性能上达到前沿水平，还展现出优异的泛化能力。