随着移动设备兴起和人工智能的发展,基于传感器的人类活动识别已经有了较大发展,在医疗健康、智能家居以及交通运输等领域已经有了广泛应用。目前基于传感器的活动识别,现有工作没有很好地解决模型普适性差的问题,原本训练好的模型很难应对不同用户、不同佩戴方式以及不同设备的变化。另外现有活动识别方法主要针对闭集识别,传感器的开放式活动识别仅有少量研究,对于新加入的活动会将其误分类为已知活动。因此本文主要研究基于智能手机传感器的开放式跨域活动识别,解决跨域活动识别模型普适性差,开放式活动识别无法识别未知活动的问题。为应对不同用户,不同佩戴方式以及不同设备变化对活动识别的影响,本文提出一个基于特征解耦进行跨域活动识别的方法。提出了一个域不变特征和域特定特征,分别对应于与活动类别有关的信息和与域有关的信息。本文利用变分自编码器网络的特点来学习域不变特征和域特定特征,同时为了解耦这两个特征,设计了一个独立激励方法保证二者的解耦,在测试阶段可以利用域不变特征对活动进行有效的分类而无需考虑与域有关的因素。之后为了解决基于传感器的开放式活动识别问题,本文改进了图像领域利用条件高斯分布进行开集识别的方法,并设计了一个基于传感器的未知活动判别算法,不仅能够对已知活动进行有效识别,还能识别未知活动。最后本文根据提出的跨域活动识别方案和开放式活动识别方案开发出了一个开放式跨域活动识别系统。本文同时在开源数据集和自采数据集上进行了实验。针对跨域活动识别,本文的方法在与人无关的活动识别中平均精度达到了84.1%,与佩戴方式无关的活动识别中平均精度达到了85%,与设备无关的活动识别中平均精度达到了89.8%,对比不采取任何措施而直接使用源域模型方法分别提升了93.3%,53.4%,30.3%。同时本文还与其他关于跨域活动识别的方法进行对比,本文的方法也取得了高于其他跨域活动识别方法的结果。针对开放式活动识别,本文的方法在开放式活动中的平均Macro-F1达到了0.76,对比不采取任何措施而直接用原模型的方法提升了31%。实验结果证明了本文提出的方法在跨域活动识别和开放式识别的有效性和先进性。