Les réseaux de convolution sur graphes (GCN) ont récemment fait l’objet d’études visant à exploiter la topologie des graphes du corps humain pour la reconnaissance d’actions basée sur les squelettes. Toutefois, la plupart de ces méthodes agrégent les messages selon un schéma rigide, peu adapté aux différentes échantillons d’actions, et manquent ainsi de prise en compte de la variété intra-classe ainsi que de la pertinence vis-à-vis des séquences de squelettes, qui contiennent souvent des connexions redondantes voire nuisibles. Dans cet article, nous proposons un nouveau modèle, le Réseau de Convolution sur Graphes Déformables (DeGCN), capable d’adapter dynamiquement la capture des articulations les plus informatives. Le DeGCN apprend des positions d’échantillonnage déformables à la fois sur les graphes spatiaux et temporels, permettant au modèle de percevoir des champs réceptifs discriminatifs. Notamment, en considérant que les actions humaines sont intrinsèquement continues, les caractéristiques temporelles sont définies dans un espace latent continu. Par ailleurs, nous avons conçu un cadre innovant à plusieurs branches, qui non seulement établit un meilleur compromis entre précision et taille du modèle, mais renforce également de manière significative l’effet d’ensemble entre les modalités articulation et os. Des expériences étendues montrent que notre méthode atteint des performances de pointe sur trois jeux de données largement utilisés : NTU RGB+D, NTU RGB+D 120 et NW-UCLA.