人体行为识别（Human Activity Recognition,HAR）是普适计算领域中重要的研究内容,在儿童运动监测、病人康复训练、老人跌倒检测等方面得到了广泛应用和发展。目前,基于深度学习的行为识别方法研究受到诸多学者的关注,但是大多数深度学习模型都旨在解决特定任务,当数据分布发生变化时,这些模型将需要大量计算能力并耗费大量时间来再次被重建。而迁移学习（Transfer Learning）可以使用预先训练好的网络并将其应用于我们的自定义任务,以及转移从先前任务中学习到的知识。因此,本文从参数迁移和特征迁移两个方面研究人体行为的跨域识别方法。主要内容包括:（1）人体行为识别一般流程包括动作数据采集、预处理、模型训练和识别等步骤。本文针对非特定动作类别迁移识别问题和目标域数据缺乏标签等问题,基于卷积神经网络（Convolutional Neural Networks,CNN）和长短时记忆网络（Long Short-Term Memory,LSTM）设计了一个基于迁移学习的跨域行为识别方法框架。同时,针对动作数据分割问题,提出了一种基于变化点检测的动作数据分割方法,可以实现连续动作数据中不同动作数据的准确分割,为模型训练提供输入数据。（2）提出了一种基于参数迁移的动作识别方法。针对目标域中新行为的出现所导致的整体数据分布变化,从而引起模型性能下降的问题,首先使用源域样本训练基于CNN-LSTM的HAR模型,将其跨域迁移应用于目标域;然后,当目标域样本发生变化或出现新的行为类别时,通过冻结HAR模型中CNN和LSTM特征提取层的参数,将网络参数进行保留,重新训练模型的全连接分类层,最终得到的通过参数迁移学习更新后的HAR模型。新的HAR模型在保持对源域特定动作的识别能力的同时,增加了动作识别的类型,同时也能识别目标域中的新行为。实验结果表明该方法能够在保持模型对源域中已有的特定动作识别精度的基础上,逐渐加入对目标域中新行为的识别能力,具有良好的识别精度。（3）提出一种基于特征迁移的动作识别方法。针对目标域中采集的样本数据标签缺失问题,首先通过无监督源域选择方法,通过度量目标域到不同源域之间的相关距离,为目标域选择相关性最高的源域;其次将选定的源域和目标域样本通过深度自适应网络（DAN,Deep Adaptation Network）联合多核最大均值差异（Multi-Kernel Maximum MeanDiscrepancy,MK-MMD）的方法最小化两域的整体分布差异,将源域训练的模型跨域迁移应用于目标域。实验结果表明,当目标域中存在大量无标签数据时,使用迁移后的模型可以对无标签的目标域进行标注。除此之外,当源域数据和目标域数据之间服从不同分布时,该方法可以对齐源域和目标域的整体分布差异,增加模型跨域迁移后对目标域样本的适应性,同时不会引起模型性能的明显下降,也避免重新训练一个新模型所耗费的大量时间。