人体动作可通过骨骼关节点的运动轨迹进行表征。传统方法通常采用手工设计的特征来建模人体骨骼的空间结构与时间动态，并借助精心设计的分类器实现动作识别。本文考虑到循环神经网络（RNN）在建模时间序列长期上下文信息方面的优势，提出了一种基于骨骼动作识别的端到端分层RNN架构。与将完整骨骼作为输入的传统方式不同，我们根据人体生理结构将骨骼划分为五个部分，并将各部分分别输入五个子网络。随着网络层数的增加，各子网络提取的特征表示逐层进行融合，作为上层网络的输入。最终，骨骼序列的高层表示被送入单层感知机，其时间累积输出作为最终的分类决策。为验证所提网络的有效性，我们与基于本模型衍生出的五种其他深度RNN架构进行了对比，同时在三个公开可用的数据集上与多种现有方法进行了比较。实验结果表明，所提模型在保持高计算效率的同时，达到了当前最先进的性能水平。