近几年,智能手机内置的运动传感器对人员动作进行识别成为可能,常应用于家庭长辈动作健康监测,儿童安全保护等领域。在这些使用环境下,基于惯性传感器的人员动作识别方式具有其他人员动作识别方式不具有的优点,例如难以长时间被模仿,保护个人隐私,便于分析检查等。但是,针对日常生活中连续动作类型的信号时,对其进行精确分割和识别的效果仍略有不足。大多数的研究局限于时域特征和简单频域特征,而且仅对独立的单个动作进行识别,同时面临缺乏标签数据的关键挑战。传统人员动作识别方法准确率一般,以及与浅层学习算法相比,深度学习架构的计算和系统资源成本需求更高。与传统技术相比,卷积神经网络等深度学习架构有显著的更强大的性能,近年来被广泛应用于人类动作识别。本课题研究内容针对来自惯性传感器的加速度计和陀螺仪的连续动作信号分割和识别,引入梅尔倒谱系数特征,并提出基于多头卷积和注意力机制的模型识别算法。本文主要进行了如下的几个方面研究:第一,从语音信号识别方法引入梅尔倒谱系数特征等频域分析方法,对智能手机运动传感器信号数据进行人员动作识别,着重开发人员进行各类动作产生的时间序列的频域特征,解决时域系统容易忽视特征和其他有效信息的问题。第二,提出了一种基于多头卷积的人类动作识别模型。这个模型包含三个卷积头,每个头内部设计一个二维长短时记忆（Long Short-Term Memory,LSTM）卷积网络模块,利用从传感器数据中提取的特征来识别各片段动作类别。CNN-LSTM思想的进一步扩展是执行CNN的卷积作为LSTM的一部分。这种组合称为卷积LSTM,简称Conv LSTM,像CNN-LSTM一样也用于时间序列。第三,为了在不大幅提高系统运行成本基础上,进一步提高模型动作识别的准确率,在每个头内部设计注意力模块,并在注意力模块中引入了一种名为挤压激励块的架构组件,该组件可以无缝集成到任何卷积模型中。挤压激励块通过全局平均池提取出空间依赖关系来学习特定的通道描述标签,用于重新校准特征图以强调有用的通道。该模型在UCI公开数据集随机抽取测试样本,整体识别准确率最高达到94.6%。与其他深度神经网络结构相比,只需要更少的计算参数。