近年来,人体行为识别在计算机视觉和人机交互等领域有着广泛的应用。随着智能手机市场的迅速扩张以及微型传感器的快速发展,人类智能手机中的嵌入了各种各样的MEMS传感器设备。基于传感器智能设备的人体行为识别方面的研究成为了一个新兴的分支,人体行为识别在健康看护、医疗检测中提供了很好的支持。尽管该研究近年来取得了不错的成效,但目前依然存在很多不足,例如:个人的数据较为隐私不易获取、个人采集的数据量不充分、较为细致的动作识别研究精确度低等。在行为识别算法中,机器学习中的特征提取工程需要科研人员具备一定的先验知识和大量的人力资源。随着神经网络的热潮来临,人体行为识别算法从传统的机器学习过渡到神经网络,它通过训练网络自动选择特征从而实现分类。本文围绕基于神经网络和智能设备的人体行为识别方面展开了研究。数据来源于用户跌倒和日常行为的三个公开数据集(UniMiB SHAR公开数据集、MobiFall公开数据集、MobiAct公开数据集),通过对数据进行分析处理,并结合当前较为热门的神经网络进行分类建模。本文的研究内容分为三大部分,分别为基于传感器的人类活动数据的前期处理、人类行为活动的识别分类和算法评估与系统实现。在第一部分中,首先对公开数据集的数据进行数据分析与降噪处理,将原始数据送入移动均值滤波对加速度和陀螺仪数据进行降噪。为了方便神经网络的训练分类,本文同时整理了一套数据格式的模板化处理方案以适配不同格式的数据;在第二部分中,对数据分析同时结合数据的特性,设计了一种新的智能设备行为识别模型用以实现人类行为活动区分;其中,双向长短时记忆网络能够有效提取隐含的时间序列特征,多时间序列和随机池化策略的应用也有效地提升了算法识别精度;在此部分,本文将改进的卷积神经网络与双向长短记忆网络进行多特征融合设计,通过网络的不断训练使得算法精度逐步提升;在第三部分中,对模型进行评估与系统实现,将本文提出模型与其他的人体行为识别算法(包含机器学习算法和神经网络算法)进行分析对比,实验结果表明:本论文提出的模型能够改善人体行为识别质量,在多种场景下都有更高的精确度,同时具备良好的普适性。最后本文在实际应用中实现了动作识别系统。