随着人工智能、云计算等技术的快速发展,人体行为识别已经成为当前的一个热点研究方向,并广泛应用于智能家居、智能医疗及智能工厂等领域,同时伴随着微型传感器和智能硬件的发展,基于可穿戴传感器的人体行为识别得到广泛应用。人体行为识别面向的行为类型主要分为三种:静态行为(站立)、动态行为(走路)和转移行为(站立-走路)。目前,大部分的研究集中在静态和动态行为的识别上,对于转移行为的研究还存在着不足,而转移行为能够在现实应用中发挥重要的作用,所以实现转移行为的精确识别是一项重要的研究内容。在基于可穿戴传感器的行为识别中,多数研究构建的模型通常在同一批用户的行为数据上进行训练和测试,忽视了人与人之间的行为差异,导致训练的模型面向新的目标用户时表现出较差的性能。虽然针对每名用户重新训练模型能够精确实现其行为的识别,但这种方法无疑是不现实的,不仅耗费大量的成本和精力,还会极大的限制行为识别系统的应用。因此,针对用户转移行为的识别和行为识别中用户的个性化问题,本文不仅利用深度学习技术,提出了基于深度学习的人体行为识别模型,实现静态、动态及转移行为的精确识别;而且结合深度学习和迁移学习的思想,提出了一个基于深度迁移学习的跨用户行为识别模型,解决了跨用户行为识别中存在的精度下降问题。本文主要的研究工作如下:(1)为了提高行为识别模型的准确性,精确识别人体的静态行为、动态行为和转移行为,提出基于堆叠降噪自编码器(SDAE)和双向长短期记忆网络(Bi LSTM)的行为识别模型(SDAL-DNM模型)。利用SDAE提取人体行为数据深层特征表示的同时,采用Bi LSTM挖掘行为时间序列前后的依赖关系,另外使用了重采样技术来缓解因转移行为具有的短时性造成的类别不平衡问题。(2)为了提高跨用户行为识别的准确性,提出了基于SDAL-DNM的深度迁移学习模型,利用模型将参与训练的用户行为数据和目标用户的行为数据映射到同一特征空间,并不断缩小两种用户行为数据特征之间的距离,使深度网络进行自适应,两种用户行为数据的分布尽可能接近,提高跨用户行为识别的精度。