基于传感器的人类活动识别是指对受试者在活动时产生的加速度、角速度等数据进行采集和分析,还原受试者实际所做动作的一类识别分类任务,目前已经被普遍应用于医疗保健、智能家居等领域。隐马尔可夫模型(Hidden Markov Model,HMM)和条件随机场(Conditional Random Field,CRF)是擅长处理传感器时间序列数据的概率模型,但在时序建模方面也存在不足之处。针对以下不足,该文对两种模型进行了改进,应用于人类活动识别以验证模型性能,提高活动识别的准确性。首先,HMM训练时所用的Baum-Welch算法是一种爬山算法,容易获得局部最优解,因此引入结构化支持向量机(Support Vector Machine,SVM)与HMM结合,构建结构化SVM-HMM框架用于人类活动识别,并与基于高斯混合模型的HMM(HMM based on Gaussian Mixed Model,GMM-HMM)进行对比实验。实验证明,结构化SVM-HMM比GMM-HMM能更好地描述人类活动方式。其次,传统CRF在训练优化时所用的拟牛顿算法BFGS算法占用内存大、运行速度慢,针对此问题,采用边界限制存储的BFGS(Limited Memory BFGS with Bounds,L-BFGS-B)算法优化CRF模型用于活动识别建模,并与传统的CRF模型、决策树、逻辑回归等机器学习方法进行对比实验。结果表明,基于L-BFGS-B算法的CRF模型计算复杂性低、迭代代价小、运行效率高,比其他算法具有更好的识别效果。最后,将双向长短时记忆(Long Short-Term Memory,LSTM)神经网络和CRF结合,构建双向LSTM-CRF深度框架用于活动分类,并将此模型与双向LSTM网络、CRF模型进行对比实验。双向LSTM-CRF同时具有双向LSTM学习上下文的信息的特性和CRF模型考虑输出标签序列间的依赖关系的特性,且可以自动提取特征。结果表明,双向LSTM-CRF模型的识别效果优于另外两种模型。