人体的活动数据,可被一些采集设备诸如智能手机、手环等中的传感器自主收集。分析这些数据中蕴含的活动类型具有重要的现实意义。传统的手工提取特征的活动识别方法不具备较好的泛化能力,提取特征的好坏与领域知识强相关,具有相当的局限性。当前在图像、语音、翻译等领域针对深度学习中卷积网络与循环网络等研究愈发多,但在活动识别领域的相关研究还不是很多,纯粹针对原始数据应用这些网络架构的研究更是较少。有鉴于此,本文从以下三个方面展开人体活动识别研究的相关工作。首先,进行了卷积神经网络与循环神经网络在人体活动识别问题上的探究。具体而言选取了 3个典型的卷积神经网络与3个典型的循环神经网络进行实验,将这6个网络模型置放到3个公开数据集上进行实验,针对这3个数据集还进行了 4种传统机器学习方法的实验,于此则能较为详尽的比对说明。其次,针对卷积模型与循环模型,本文提出了二者特征联合的CRNN模型,该模型按卷积网络和循环网络组合方式的不同划分为联立与分立两种形式。针对这两种不同形式的模型,在同样的3个数据集上进行了实验。最后,针对传感器数据特征提取过程的不同,本文提出了不同于一般卷积网络模型中固定卷积维度的变维卷积模型,该模型结合一维卷积特征提取过程与二维卷积特征提取过程之优势形成变维卷积模型,该模型在两个公开数据集上分别取得了 95.62%和95.16%分类准确率,比近几年已发表成果中的数据更优。