本文中人体运动识别HAR(Human Activity Recognition)技术是指对传感器采集到的人体运动过程中产生的准周期时序序列进行数据处理、分析、建模,最终能够对不同运动进行识别的技术,它是健康,医疗,运动,辅助机器人研究等多种领域的基础支撑技术,尤其是基于便携式设备(如智能手机)的运动识别系统具有更加广泛的应用前景。在当前人体运动识别领域中,适应性问题是一个亟待解决的问题,即如何在动态环境中保障模型的识别性能。本文将利用智能手机中获取到的人体运动过程中产生的加速度数据进行数据处理与建模,重点是提高识别模型在真实的动态环境中的泛化性和适应性。具体工作如下:(1)在数据处理与特征提取阶段,针对不同运动单位时长的适应性问题以及样本不均衡问题,提出了基于滑动时间窗口方法的数据扩增方案;针对智能设备放置方向的适应性问题,通过提取瞬时加速度与平均加速度的相对角度,剔除传感器放置方向的不确定性,提出了一种具有放置方向无关性的特征向量提取方案。(2)在模型建立阶段,针对传统人工提取特征无法很好的识别上下楼和行走的问题,建立了适用于人体运动识别领域的深度卷积HAR-Net模型,实现了端到端的具有使用人员独立性的人体运动识别模型,并通过可视化分析对模型进行了进一步地解释。(3)在模型迁移阶段,采用深度迁移学习方法满足运动识别模型高适应性和可扩展性的要求,建立了基于Fine-tuning的深度迁移HAR-Net模型解决了目标域有监督的3个迁移学习任务;建立了基于DDC网络的深度迁移HAR-Net模型解决了目标域无监督迁移学习任务,并在此基础上提出了2阶段HAR-Net迁移模型,进一步提高了迁移模型的识别性能。(4)在系统实现阶段,实现了基于Android系统的人体运动过程中加速度数据的采集和实时运动识别的APP,实验了真实环境下模型的性能验证。研究结果表明,采用本文提出的数据处理方案,深度卷积HAR-Net模型在实验环境下的平均识别准确率为98.94%,在真实环境下的平均识别准确率为97.97%。此外,深度迁移HAR-Net模型能够在小样本的情况下,利用较短的训练时间完成不同应用情景下的模型迁移,迁移效果较好,在目标域数据量仅为源域的20%的条件下,目标域有监督迁移任务提升效果均在35%以上,目标域无监督迁移任务提升效果在约为34%。最后本文还针对不同迁移目的总结出了基于传感器的运动识别领域中迁移学习方法的选择原则。