基于可穿戴设备的人体活动识别是一个活跃而又充满挑战的研究领域,已经在医疗健康、智能监控和安全检测等诸多应用中进行了探索。随着物联网的发展和计算能力的提高,在智能设备中嵌入了各种传感器用来收集用户的生理状态。根据用户提供的运动数据信息,使计算机体系协助用户完成一些特定的工作任务。现有的一些研究方案依赖监督学习的方法,需要大量的标签化训练数据,然而精确地标注活动的开始和结束位置是一项繁重的工作。值得注意的是人们在日常生活中通常不会一直保持固定的某种运动模式,而是多种运动状态的组合。相比于强标签数据,弱标签数据的收集更为容易,因此如何在人体活动识别系统中利用弱标签传感器数据是一个有意义的方向。深度学习中的注意力机制模拟人类的视觉处理方法,选择地将注意力集中在感兴趣的区域,而忽略其他不重要的区域。这一特性使得注意力机制适合处理和解决弱监督模式下的人体活动识别。本文结合深度学习和注意力机制的优势,对弱监督模式下的人体活动识别与定位展开研究,主要完成的工作如下:（1）介绍本文实验所采用的弱标签传感器数据,并简述用于人体活动识别与定位的评价指标。（2）针对弱标签传感器数据中人体活动识别和定位的问题,本文提出了一种残差注意力机制,在各时间帧上动态地进行权重计算,利用注意力权重检测哪些帧对于目标预测更重要,提高模型的可解释性。首先从原理上介绍模型的结构,其次通过可视化权重验证了注意力机制的可行性。最后在弱标签传感器数据集上的实验表明,基于残差注意力机制的活动识别模型与基准模型相比,显著提高了活动分类的准确率,并确定了目标活动发生的位置。（3）考虑弱标签传感器数据是一个按时间顺序变化的信号,本文提出了一种条件注意力机制,通过权衡卷积神经网络中的局部特征与长短期记忆网络中的条件全局特征之间的相似度,使模型将更多注意力置于包含目标活动的区分性子段上,在不依赖于位置信息的情况下对活动进行识别和定位。