La reconnaissance d'actions basée sur le squelette est une tâche importante qui nécessite une compréhension adéquate des caractéristiques de mouvement d'une action humaine à partir de la séquence de squelette donnée. Des études récentes ont montré que l'exploration des caractéristiques spatiales et temporelles de la séquence de squelette est essentielle pour cette tâche. Cependant, extraire efficacement des caractéristiques spatiales et temporelles discriminantes reste un problème difficile. Dans cet article, nous proposons un nouveau réseau LSTM convolutif graphique amélioré par l'attention (AGC-LSTM) pour la reconnaissance d'actions humaines à partir de données squelettiques. L'AGC-LSTM proposé peut non seulement capturer des caractéristiques discriminantes dans la configuration spatiale et la dynamique temporelle, mais aussi explorer les relations de co-occurrence entre les domaines spatiaux et temporels. Nous présentons également une architecture hiérarchique temporelle qui augmente les champs récepteurs temporels du niveau AGC-LSTM supérieur, ce qui renforce la capacité d'apprendre une représentation sémantique de haut niveau et réduit considérablement le coût de calcul. De plus, pour sélectionner des informations spatiales discriminantes, le mécanisme d'attention est utilisé pour améliorer l'information des articulations clés dans chaque couche AGC-LSTM. Des résultats expérimentaux sont fournis sur deux ensembles de données : le jeu de données NTU RGB+D et le jeu de données Northwestern-UCLA. Les résultats comparatifs démontrent l'efficacité de notre approche et montrent que notre méthode surpassent les méthodes les plus avancées actuellement disponibles sur ces deux ensembles de données.