随着传感器结束的发展和移动设备的普及,手机中的传感器时刻记录着人体的活动数据,对这些数据进行分析能够发现人体活动特征,具有重要的研究意义。人体活动识别研究目前以机器学习为主,传统的机器学习技术在特征提取的过程中依赖于人工进行特征提取,具有一定的局限性,准确率较低。深度学习方法在图像、自然语言处理等领域获得了很好的效果,在活动识别的相关研究较少,如何对人体活动模型结构进行优化以提高准确率是一个需要研究的问题。现阶段手机中的人体活动记录软件很多,但是无法根据人体状态对活动进行自动识别与记录。针对以上问题,本文使用手机中三轴加速度计对人体活动数据进行采集,结合深度学习方法构建并优化人体活动识别模型,使用移动端深度学习框架将模型移植到安卓手机中实现对人体活动的实时识别。本文主要研究内容体现以下几个方面:（1）针对机器学习方法对特征提取具有局限性的问题。本文构建了一种改进的CNN-LSTM模型。使用CNN模型对人体活动数据中的信号特征进行提取,通过最大池化层输入到LSTM模型中提取时序特征,对模型进行多次对比实验对模型的超参数进行选择。使用训练好的模型在WISDM与本文采集的数据集上进行实验并与传统机器学习方法进行比较。实验表明,本文构建的CNN-LSTM模型能够对人体活动数据中的特征进行有效识别,准确率高于传统的机器学习方法。（2）针对CNN-LSTM模型相似动作混淆的问题,进一步提升识别准确率并简化模型结构。使用多数据融合的方式,结合ConvLSTM模型对多种传感器数据中的时空信息进行有效提取。将每种传感器数据使用ConvLSTM模型经过多次对比实验对超参数进行优化,将得到的特征结果进行融合。使用优化后的模型在UCI-HAR与本文数据集进行实验,获得了95%以上的准确率,能够对人体动作进行有效识别。（3）针对手机中应用无法根据人体状态进行实时活动识别问题。本文采用安卓应用开发平台设计开发人体活动识别应用,使用移动设备深度学习框架将模型移植到应用中,从安卓手机中传感器获取数据以实现对人体活动识别。经实验测试,本文设计的人体活动识别应用能够根据人体当前状态进行实时的活动识别。