3次元人間行動認識における現代の深層学習モデルの識別力は、ますます強化されつつある。近年、3次元骨格を用いた3次元人間行動表現の再注目と併せて、その品質と進展速度は顕著なものとなっている。しかし、3次元人間行動認識における最先端の学習ベース手法の内部メカニズムは、依然としてほとんどブラックボックスのままである。本研究では、3次元人間行動認識に新たなモデル群である時系列畳み込みニューラルネットワーク（Temporal Convolutional Neural Networks, TCN）を用いることを提案する。従来のLSTMベースの再帰型ニューラルネットワーク（RNN）モデルと比較して、3次元骨格など解釈可能な入力が与えられた場合、TCNは3次元人間行動認識に向けた直感的に解釈可能な空間時系列表現を明示的に学習する手段を提供する。本研究では、解釈可能性を意識したTCNの再設計戦略を提示し、そのモデル特性を活用して強力な3次元行動認識手法を構築する方法を示す。本研究を通じて、より理解しやすく、説明しやすく、解釈しやすい空間時系列モデルの実現に一歩踏み出すことを目指す。提案モデルであるRes-TCNは、最大規模の3次元人間行動認識データセットであるNTU-RGBDにおいて、最先端の性能を達成した。