Las redes convolucionales gráficas (GCNs) han obtenido un rendimiento notable en el reconocimiento de acciones basadas en esqueletos. Sin embargo, enfoques anteriores no logran capturar las correlaciones implícitas entre articulaciones y acciones a lo largo de intervalos de tiempo variables. Para abordar estos problemas, proponemos una Red de Convolución de Grafos de Diferencia Multi-escala Adaptativa (AMD-GCN), que consta de un módulo de convolución de gráficos espaciales adaptativos (ASGC) y un módulo de convolución de diferencias temporales multi-escala (MTDC). El primer módulo es capaz de adquirir gráficos dependientes de los datos y de los canales que son adaptables tanto a las muestras como a los canales. El segundo módulo emplea el enfoque multi-escala para modelar la información temporal a lo largo de una variedad de escalas de tiempo. Además, el MTDC incorpora un módulo mejorado con atención y convolución de diferencias para acentuar canales significativos y mejorar características temporales, respectivamente. Finalmente, proponemos un marco de múltiples flujos para integrar diversas modalidades esqueléticas y lograr un rendimiento superior. Nuestro enfoque AMD-GCN fue ampliamente probado y demostró superar a los métodos actuales más avanzados en tres conjuntos de datos ampliamente reconocidos: NTU-RGB+D, NTU-RGB+D 120 y Kinetics Skeleton.