人体行为识别（Human Activity Recognition,HAR）技术一直是计算机视觉领域广泛研究的热点,而随着可穿戴设备的日渐发展和成熟,基于传感器的HAR技术得到了更多关注。同时,各类深度学习算法在性能方面的提升为基于传感器的HAR技术在各领域的广泛应用提供了大量理论基础和实践经验。近年来,基于传感器的HAR技术已经成功被应用到了医疗康复、运动分析、智能家居和特殊群体监控等领域。目前,基于传感器的HAR技术得到了长足的发展,但仍存在一些不足,具体表现为:在特征提取和模型构建方面,现有的算法一般通过降低特征数据的维度来提取深度特征信息,难以区分易混淆的人体行为;在分类识别方面,现有模型通常仅能对短时间的简单行为进行分类识别,而难以识别由多种行为组成的长时间复杂行为;此外,目前的模型大多仅适用于封闭集,对于开放集中的未知类识别存在一定缺陷;在数据集方面,现有的公开数据集通常只包含少数几种日常行为,异常行为的数据量远远不足,而异常行为对于一些特殊场景中的行为识别有着及其重要的应用价值。针对上述问题,本论文主要进行了以下几个方面的研究:（1）针对HAR网络模型中传感器数据特征提取不精确、不充分的问题,提出了一种基于多分辨率融合卷积（Multi-resolution Fusion Convolution,MRFC）的简单行为识别网络,通过MRFC模块对多种分辨率的特征进行深度融合,并使用自注意力机制提取多传感器数据之间的相关性,从而获取更精细、多尺度、具有足够区分度的深度特征信息,提高易混淆行为的识别准确率。（2）在基于MRFC的简单行为识别网络的基础上,进一步提出了基于多窗口时间序列（Multi-window Time Series,MWTS）的复杂行为识别网络,通过循环多窗口注意力层提取传感器数据的时序特征,并为不同窗口中的特征分配自适应的权重。该模型不仅能够对短时间的简单人体行为进行实时分类识别,同时也可以对长时间的复杂人体行为进行有效的分类识别。（3）针对难以识别未知类的问题,提出了一种基于多分辨率融合卷积变分自编码器（Multi-resolution Fusion Convolution Variational Auto-encoder,MRFC-VAE）的开放集行为识别方法。该方法通过MRFC-VAE对特征数据进行重构,根据重构损失设定相应阈值,可在开放集中对已知类和未知类均进行有效的分类识别,大大降低HAR模型在实际应用中的识别错误率,进一步增强模型的实际应用性能。同时,针对现有公开数据集人体行为类别不足的问题,通过智能手环对多种日常和异常的人体行为数据进行采集,构建了更为丰富的特殊群体日常—异常人体行为数据集,该数据集可应用于特殊群体的日常监护等场景。通过上述研究,有效解决了由于传感器特征信息提取不充分而导致的分类识别准确率低的问题,同时实现了对复杂人体行为和未知类行为的有效识别。本论文分别针对公开数据集无线传感器数据挖掘（Wireless Sensor Data Mining,WISDM）数据集、身体活动监测（Physical Activity Monitoring,PAMAP2）数据集、OPPORTUNITY 数据集和自行构建的特殊群体日常—异常行为数据集进行了实验和结果分析,证明了所提模型和方法的有效性和优越性。本论文所提出的HAR分类识别模型和开放集分类识别方法均可应用到智能家居、特殊群体日常监控等更多人体行为识别场景中,具有突出的研究价值和应用前景。