随着传感器技术的飞速发展,人们对以传感器作为零部件的可穿戴设备也表现出巨大需求。对志愿者佩戴可穿戴设备采集的传感器数据进行处理成为人类活动识别的主要研究领域。传统的机器学习方法需要手动提取特征,无法很好的处理特征关系;神经网络局限于可微模块,计算复杂度高,无法进行合理的理论解释。该文主要研究兼具树模型与深度神经网络模型两者优点的活动识别模型。首先,构建了基于深度神经决策树的活动识别模型。针对深度神经网络的不可解释性和决策树模型的不可微性,该文研究了可以使用随机梯度下降训练代替贪婪分裂的深度神经决策树模型。实验结果表明,活动识别模型最终收敛,并且收敛速度快;活动识别精确率达到91.5%,优于传统的决策树方法与同结构的神经网络;增加特征切割点的数目,识别精确率提高了3.56%。其次,设计了基于多粒度级联森林的活动识别分类模型。针对传统的机器学习无法很好的处理特征关系;神经网络模型具有优秀的表征学习能力,存在调参困难的问题,该文研究了多粒度级联森林模型。实验结果表明,多粒度扫描层增加了时间序列特征的种类,有利于提高级联森林模型的性能;级联层加强了特征的层级表示。在WISDM上的识别准确率达到98.25%。改变级联森林基分类器种类,其在UCI-HAR上的识别准确率提高了2.21%。最后,研究了基于多层梯度增强决策树的活动识别模型。针对神经网络局限于可微模块利用反向传播算法训练和梯度提升决策树分层分布式表征能力不强的问题,该文研究了可使用目标传播的变体进行联合训练的多层梯度提升决策树。实验表明,特征表示随模型深度增加而提高,有较低的训练损失不会过拟合,在UCI-HAR上的识别准确率达到92.87%,在自然型数据DAPHNet上达到96.20%,具有一定的实际应用意义。