随着人们生活水平的提高,对健康监护、运动检测等方面的需求与日俱增,因此研究人体活动识别方法具有重要的意义。在基于传感器的人体活动识别研究中,大部分研究采用加速度传感器采集人体活动数据,然后结合分类算法完成对人体活动的判断。在通过提取原始数据中的特征值对人体活动进行分类的过程中,对数据特征提取时,容易丢失关键信息,从而影响识别准确率。同时现有识别模型的通用性不强,没有充分考虑人体差异性,识别算法受到当前手持终端或可穿戴设备的资源限制,很难移植到手持终端或可穿戴设备中。另一方面,大多数人体活动识别方法的研究集中于识别算法的准确率和硬件设备性能的提升,忽略了其本身所具有的安全问题。基于上述问题,本文设计了一种轻量化卷积神经网络(Convolutional Neural Networks,CNN)人体活动识别方法,同时研究了一种对抗样本生成方法,有利于后续活动识别方法提升对于恶意攻击的防御能力。论文主要工作包括以下2个方面:(1)针对传统人体活动识别方法在提取特征值的过程中会丢失部分信息影响最终识别准确率的问题,研究了一种轻量化的卷积神经网络人体活动识别方法,该方法将加速度原始数据转换为图片格式,使时间序列的加速度数据具有空间关系,然后利用CNN的特征提取方法获得关键信息,进行人体活动的识别,最后将模型使用SVD进行压缩,降低分类模型所需求的内存资源,提高运算速度,使其更易于移植到可穿戴设备上。(2)针对可穿戴设备在使用过程中的安全保护问题,研究了一种对抗样本的生成方法,对原始数据进行随机攻击并进行迭代产生使模型识别准确率最低的对抗样本,分别使用传统的人体活动识别方法和本文提出的轻量化卷积神经网络人体活动识别方法进行识别分类,用于未来人体活动识别算法抗干扰研究。经过实验验证,本文提出的人体活动识别方法相对于传统的人体活动识别方法,提高了识别准确率,同时,本文提出的对抗样本攻击方法对各种人体活动识别方法都产生不错的效果。