在大数据时代,非传统数据急速膨胀,基于传感器的活动识别领域也发生了巨大变化,从海量样本数据中挖掘有价值的信息并非易事,对传统分类算法的处理速度和识别正确率均提出了挑战。这催生了许多新技术的发展和多学科的融合,如将深度卷积神经网络用于基于传感器的活动识别。本文主要进行面向多维传感器活动识别的深度卷积神经网络研究,在多个数据集上进行实验,取得了良好的研究与应用效果。首先,将传统的SVM算法和深度卷积神经网络用于基于传感器的活动识别。在不同的活动识别数据集上分别用SVM算法和深度卷积神经网络进行实验,实验证明,深度卷积神经网络比SVM算法更适用于实际场景中的活动识别。其次,详细说明了卷积神经网络涉及的原理、概念、整体架构、稀疏连接和权重共享思想。然后介绍基于融合特征的卷积神经网络,与其他算法进行对比,基于融合特征的卷积神经网络取得了良好效果。在机会数据集上进行实验,活动识别的正确率达到88.0%;在Skoda数据集上进行实验,活动识别的正确率达到95.2%。最后,将卷积和递归长短时记忆神经网络用于活动识别。基于卷积和递归长短时记忆神经网络提出的通用框架,能够通过卷积运算提取特征,通过递归长短时记忆神经网络捕获时间信息。实验证明,这种框架在识别正确率相当的情况下,可以优化训练的模型,减少需要训练的参数个数。