随着移动通讯技术和微电子技术的迅猛发展,智能手机迅速普及。如今智能手机集成了各种类型的传感器,具有强大的环境感知能力。相对于穿戴式传感器,智能手机更具便携性,数据采集与预处理更为方便,因此基于智能手机传感器的人体行为识别具有较高的研究价值。但是由于人类活动的复杂和多样性,依然存在很多挑战。本文主要对基于智能手机传感器的人体行为动作进行研究,对包含4种过渡动作的10种动作进行高准确率识别,并利用深度学习方法对基本动作进行识别研究。本文基于过渡动作的非周期性和不定长性,提出利用模糊近似熵对过渡动作样本进行起始点与终止点检测,实现对过渡动作样本的自动检测和分割,分割准确率达94.5%。提出一种基于支持向量机和随机森林的分层行为识别模型,并提出针对模型中的不同子分类器选择不同的特征进行分类。在自采集的包含10种动作数据集的行为识别中,取得了98.1%的准确率。实验表明,本模型具有良好的跨人识别性能,且能有效地提高不平衡数据集的识别性能。基于双向循环神经网络和LSTM结构,构建深度双向LSTM行为识别网络,通过实验确定网络层数和神经元个数等超参数。最后在UCI-HAR、WISDM和自采集的数据集上分别获得了94.1%、98.5%和98.9%的识别准确率。达到了目前国内外研究的较先进水平,证明了本文构建的双向LSTM行为识别网络的有效性。