近年来,步态识别领域的研究受到了学术界的极大重视。早期的步态识别算法通常基于计算机视觉或压力传感器,随着微机电系统（Micro Electro Mechanical System,MEMS）技术的发展,基于MEMS惯性传感器进行步态识别已经成为主流。步态识别是从惯性传感器数据中提取不同步态类型的特征,以识别受试者的运动状态。步态识别算法通常基于机器学习或深度学习,目前的研究大多采用卷积神经网络提取步态数据的空域特征,或采用循环神经网络提取步态数据的时域特征,然而很少有研究结合步态数据的时域和空域特征进行识别。本文基于智能手机内置MEMS惯性传感器,针对深度学习在步态识别领域的应用问题,开展了如下研究:首先,本文基于智能手机内置MEMS惯性传感器建立了一个步态数据集,包含步行、跑步、上楼梯、下楼梯、坐着、坐下、站着、站起、电梯上行、电梯下行共10种步态类型。在数据采集过程中,智能手机放置于受试者身上任意部位口袋,以采集无约束情况下的原始步态数据,并对原始步态数据进行了滤波、重力加速度分量滤除、归一化、数据分割的预处理步骤。其次,深入研究了基于机器学习和深度学习的步态识别方法,包括基于支持向量机（Support Vector Machine,SVM）、K近邻（K-Nearest Neighbor,KNN）、决策树和随机森林（Random Forest,RF）的机器学习步态识别方法,和基于一维卷积神经网络（1DConvolutional Neural Network,1D-CNN）、循环神经网络（Recurrent Neural Network,RNN）、门控循环单元（Gated Recurrent Unit,GRU）和长短期记忆神经网络（Long Short Term Memory,LSTM）的深度学习步态识别方法。最后,本文提出了1D-CNN+BiLSTM步态识别算法,该算法将1D-CNN与双向LSTM融合,使用1D-CNN提取步态数据的空间波形特征,扩展特征维度,并压缩特征向量长度,然后输入双向LSTM提取数据时序特征。1D-CNN+BiLSTM步态识别算法采用固定长度步态数据帧作为输入,相比传统方法省去了步态周期检测步骤,避免了步态周期检测错误带来的误差,其次该算法是一种端到端模型,可以自动提取步态数据的特征,无需人工特征设计,简化了算法的设计流程。为了评估1D-CNN+BiLSTM步态识别算法的性能,本文将其与基于机器学习和深度学习的步态识别算法进行了全面的对比分析,并在自建数据集和UCI-HAR公开基准数据集上进行了测试。测试结果表明,本文所提出的算法在精确度、准确度、召回率、F1分数、受试者工作曲线（Receiver Operating Characteristic,ROC）曲线、AUC值等性能指标上均为最佳。其中在自建数据集的测试F1分数为97.5%,公开基准数据集测试F1分数为96.6%,取得目前在该基准数据集的最佳成绩。