随着近些年移动互联网技术的快速发展和智能手机用户群体数量的不断增长,出现了多种多样基于智能手机传感器的应用,这些应用已经融入到人们日常生活和工作的各个领域,给人们的生活带来了极大的便利。这些应用的实现离不开行为识别技术的研究,目前基于手机传感器的用户行为识别研究主要存在以下两个问题:一、大多数研究工作是基于单传感器即加速度传感器进行行为识别,没有充分利用智能手机内置的其他传感器进行融合识别;二、一些研究工作使用深度学习的方法进行行为识别,对于时间序列数据,构建预测模型相对较难。针对以上问题,本文采用了将基于传感器数据的分类问题转化成基于图像数据的分类问题的设计思想,提出了一种基于多传感器图像特征融合的行为识别研究方案。首先将智能手机内置的两种传感器的时序数据转换成四种图像,分别是递归图（RP）、马尔可夫转移场（MTF）、格拉米角和场（GASF）和格拉米角差场（GADF）;然后设计了一个基于多传感器图像的融合深度神经网络,该网络结构主要包括三个部分,分支网络主要是提取转换图像的特征,然后送入到融合层,在融合层采用Concatenation融合方式对两种传感器在分支网络层提取出的图像特征进行融合,再将融合特征送入行为分类网络中完成分类识别;最后通过对比实验来验证本文所提出的基于多传感器图像特征融合的行为识别研究方案的可行性。实验结果表明本文所提出的方法与传统机器学习实验相比,性能提高了10%以上,与深度学习实验相比,性能提高了6%以上,准确率和(6cro1最高可以达到93.9%。此外,通过消融实验验证了本文所提出的四种基于时序数据的图像编码方法的可行性,实验结果表明,格拉米角和场识别效果最好。通过消融实验验证了本文所提出的基于多传感器图像的融合深度神经网络结构设计的合理性以及融合策略的适用性。本文充分利用了深度学习技术在图像分类上的优势,将基于传感器数据的分类问题转化成基于图像数据的分类问题,同时将多种传感器数据特征进行融合,识别效果有了显著的提高。为今后基于手机传感器的用户行为识别研究提供了新思路和新方法。