目前,关于家庭活动识别的研究备受关注。建立高效的智能化监护系统对老年人的突发行为进行实时的监控,对提高老年人的生活质量具有重要的作用。出于对隐私的保护,基于音频传感器的家庭活动识别的研究正成为新热点。相对于传统的方法,深度学习技术有着不可取代的优势。但也存在着模型分类精度有待提高、传统卷积未能有效区分特征图高低频分量、普通卷积操作对局部特征间相对关系不敏感等问题。该文将针对上述的几个问题,提出新的神经网络模型,用于提高家庭活动识别的准确性。首先,以往都是通过堆叠卷积层数来提高网络的学习能力,但这给计算带来了考验,也容易造成过拟合。为了解决这些问题,该文设计了一种基于注意力卷积循环神经网络模型,以Xception轻量级卷积网络和双向GRU循环网络为主体进行搭建。为了进一步提高分类精度,加入了时间注意力机制。实验证明,该文提出的网络模型在音频数据集上具有更好的识别精度。其次,针对传统卷积操作不区分特征图的高低频信息,造成空间冗余的问题。采用八度卷积并以此为主体构建了八度卷积循环神经网络,加入SE模块以增强卷积操作特征通道关系。并采用SpecAugment数据增强和半监督学习等方法。实验表明,该文提出的网络模型能够更好地识别出家庭活动的类型。最后,针对卷积操作只能捕获局部的特征和关系,不能很好地处理部分和整体的关系,提出了注意力胶囊网络。胶囊网络可以很简单的通过识别其部分来识别整体。时间注意力机制可以通过加权来提高显著部分的关注度。实验证明,该文提出的注意力胶囊网络,相较于其他网络具有更好的效果。