随着人类对人工智能的不断憧憬,人类活动识别领域的研究不断得到认可。在活动识别研究发展的道路上,并存着很多挑战,如活动识别系统的设计、实现以及性能评估。此外,移动终端发展可谓是突飞猛进,为人们的生活带来了巨大的方便。因此,本文的目标是对基于可穿戴式传感器数据的人类活动识别系统展开研究。传统的机器学习算法在人类活动识别领域已经取得了不错的成绩,不过大量的手工提取特征使识别效果显得不是那么智能,并且实验过程繁琐。随着机器学习的发展,出现了一个分支深度学习,深度学习的到来解放了原来手工提取特征,可以自动的从原始数据中学习特征,并实现了端到端模式的识别。首先,本文介绍了机器学习的原理,介绍了最基础的人类活动识别的大致流程。并就浅层学习算法对传感器收集的人类活动识别数据集展开实验。介绍了可穿戴式传感器对人类活动的数据采集,对时间序列的时间信号的分割,研究了对信号分割窗口大小,对原始数据进行人工提取不同的特征类型,采用不同分类器对识别系统性能的影响。实验结果证明人工提取合适的特征,选择正确的分类器对活动识别系统性能至关重要。其次,本文介绍了深度学习的简介,主要研究了深度学习中的卷积神经网络用于人类活动识别。着重介绍了卷积神经网络架构及其各组件的原理,并对卷积神经网络的训练进行了推导。实验验证卷积神经网络在人类活动识别领域的应用。实验结果表明卷积神经网络能够从原始数据中自动的进行特征学习,实现端到端模式的活动识别,并且普适性较好。最后,本文介绍了基于卷积神经网络的帕金森病患者步态冻结识别系统。针对帕金森病患者步态冻结的特征构建出适合的卷积神经网络,与阈值法及浅层学习方法进行实验对比。实验结果表明,卷积神经网络应用于帕金森病患者步态识别的可行性,并优于阈值法。