随着微电子技术的飞速发展,智能可穿戴设备层出不穷。基于可穿戴设备的人体活动识别作为普适计算的一个重要的领域,引起越来越多学者的关注。人体活动识别技术已经在医疗、军事活动以及体育等领域得到了广泛的应用,但是对于与位置无关的活动识别这一问题至今还未得到更好的解决。目前,在对基于传感器的活动识别问题的研究中,一般默认传感器放置形式不变并且放置位置固定不动。然而,在实际应用中这种条件显然难以满足。针对传统基于三轴加速度传感器的人体活动识别方法的精度过分依赖与加速度传感器设备的放置位置以及形式的这一问题,本文提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆(Long-Short Term Memory,LSTM)神经网络进行活动识别的方法,通过该方法可以有效提高加速度传感器设备放置方式以及放置位置在非固定不变的情况下人体活动识别的准确率。首先,针对加速度数据进行预处理。然后将预处理后的数据输入到一种基于LSTM与全连接层架构的三轴加速度数据自适应结构,该自适应结构可以自适应的把不同的输入数据调整到一个相似的坐标系中,之后再将该结构的输出输入到CNN网络模型。最后,将LSTM网络进行输出的结果输入到softmax并得到最终的分类结果。由于CNN能够自适应地从浅层次特征中学习提取深层次特征的特点以及LSTM网络能够提取时域特征上下文信息的优势,因此通过该方法进行深度特征提取并分类的结果更加可靠。本文使用Daily and Sports Activities Data Set公共数据集以及针对放置无关化问题自行采集的数据集来构建模型并对模型的性能进行评估。实验结果表明,本文提出的深度模型在公共数据集合和非公共数据集上的准确率分别可以达到82%和87%左右。同时,还将本文的方法与传统活动识别方法进行了对比,验证了该方法的有效性与先进性。