智能手机越来越丰富的传感器配置,使得在移动平台上进行人类活动识别越来越普遍和直接。近年来随着生活水平的提高,对于应用到医疗、娱乐、辅助生活领域的活动识别系统的需求大大增加。虽然人类活动识别研究取得了进展,但是由于人类活动的复杂性,依然存在着很多挑战。深度学习方法在其他机器学习领域的成功,使得它在活动识别领域受到越来越多的关注。本文主要对基于智能手机传感器数据的人类活动识别进行研究,目的是利用深度学习方法,训练出鲁棒性的网络模型,然后将模型移植到安卓平台上进行实时活动识别。首先,本文对基于卷积神经网络的活动识别进行了研究。介绍了卷积神经网络的层结构和训练过程,构建了卷积神经网络加统计特征的网络模型。通过多次对比实验,分析了卷积层数、卷积核数量等主要超参数对模型的影响。在UCI-HAR、WISDM和本文采集的数据集上进行了实验,并将实验结果与其他传统方法进行比较。实验表明,本文构建的卷积神经网络模型可以有效地自动学习传感器数据特征,具有较好的识别效果。其次,对基于循环神经网络的活动识别进行了研究。介绍了循环神经网络的结构和训练过程,并利用其改进型LSTM网络构建了网络模型。对LSTM层和滑动窗长等主要参数进行了多次对比实验,为模型选择了最佳参数值。实验表明,LSTM网络模型可以有效学习传感器数据的长时间依赖关系,活动识别效果优于传统方法。最后,利用Android Studio设计一款安卓实时活动识别应用,将训练好的卷积神经网络模型或LSTM网络模型移植到应用中进行活动识别。通过测试,本文设计的活动识别应用可以较好地识别出人类正在执行的简单活动。