随着科技的进步和传感器技术的飞速发展,基于传感器的人类活动识别（HAR）被广泛的应用于智能生活、健康监测、卫生医疗、智慧城市等领域,且都发挥着重要作用。近几年,随着各类智能移动设备和可穿戴设备的兴起,由于其成本低,体积小,收集用户数据方便的特点,因此活动识别的方式也越来越简单,通过利用传感器信号来监测用户生理状况,提供运动状态评估及活动建议,对于老年群体或患有精神疾病的患者,可以检测他们的异常活动,并及时进行救援工作。将活动识别应用到日常生活中,不仅可以降低护理成本,减轻政府和社会在养老等社会保障方面的人力,财力支出。将HAR应用到个人健康助力中,对推进全民身体健康,推动智慧城市建设,有着不可估量的应用前景。从需要佩戴多个复杂的监测设备到携带单个智能设备,但监测设备的减少也致使对活动识别的准确率有更高的要求。目前国内大多数的研究采用特定数据收集方式来识别规定活动,通过对初始数据进行特定的划分以提升分类准确率,但模型本身结构单一对不同活动数据集的准确率和鲁棒性上有所欠缺。针对传统活动识别模型结构单一、对数据特征敏感性差、特征提取能力不足以及活动识别准确率不高等问题,利用卷积神经网络（CNN）自动提取数据特征的特点,将不同结构类型的CNN深度模型卷积降维并应用于活动识别研究,对该类模型进行结构修改并对每层卷积进行批归一化处理,提升对比模型的复杂度及泛化能力,在不同特征的活动识别数据集上进行了各模型结果对比分析。对比发现,相较于传统的活动识别模型,将CNN深度模型卷积降维应用于活动识别领域中,可以有效的提升模型识别准确率。降维后的部分模型可以有效的提升活动识别准确率,由于某些模型参数过多且结构太过复杂等问题,实际应用方面仍待考量。为解决上述问题通过对比各类CNN模型结构的特点,提出了注意力机制多通道CNN模型,使用多通道的方式拓宽网络的宽度,增加网络对卷积核尺度的适应性并构建CNN模组,通过使用多个卷积核提取数据的不同尺度信息,最后进行特征融合,来处理更多、更丰富的特征。在同等深度的网络结构当中,采取多通道模块化结构可以降低参数数量,使用卷积模块堆叠化,将卷积层并联,调整参数和模型模块的宽度获取更多的数据特征,通过对各层模块构建恒等映射建立短路机制以提高算法的准确性。为进一步提升模型对活动识别分类的准确率,将软注意力机制模型与本文提出的CNN模型的结合,来提高模型对空间域和通道域重要特征的注意力,加强信息特征的表达,通过计算得到不同特征维度的各自的权重系数,然后得到的系数在与输入的特征进行对应元素相乘组成新的特征,经实验对比,基于注意力机制的多跨通道CNN网络模型在不同传感器数据下的活动识别分类的准确率和F1值都有这较高的提升。最后为验证软注意力机制对CNN网络模型的提升效果,将几种软注意力机制模型嵌入所选择的CNN模型中,并进行对比实验。设计并实现人类活动识别分析预测系统,对传感器数据进行特征提取,并进行可视化操作。通过将深度学习网络模型文件进行处理,将传感器数据结果进行特征分析,并进行活动预测。