随着普适计算的不断发展,活动识别引起了人们的广泛关注,在活动识别领域中深度学习模型取得了较好的应用效果,但目前仍有一些制约性的瓶颈问题:传感器数据的不直观性导致模型所提取的深度特征难以理解,因此无法结合传感器数据及其特征提高模型的识别准确率;深度学习模型通常在静态环境下进行批量学习,无法在动态环境中根据新的需求识别新的活动;深度学习模型需要耗费较多的存储和计算资源,不易在终端设备上计算,所以需要对模型进行压缩。针对以上瓶颈问题,本文对活动识别的深度特征增强与模型优化方法进行了研究。针对传感器数据深度特征难以理解的问题,本文对深度学习模型所提取的传感器数据深度特征进行了理解和分析,在实验中发现神经元所提取的深度特征中存在着冗余特征,不同的活动对应着不同的显著特征。因此基于不同活动的显著特征,本文提出了手动提取显著特征的方法,并利用所提取的显著特征在UCIHAR数据集中取得了更优的识别效果。由于一些应用场景中的特征维度过大或过小,很难通过人工分析的方式提取显著特征,因此需要研究如何自动提取传感器数据的显著特征,为了解决这个问题,本文提出了自动提取并增强显著特征的模型,利用增强后的特征改善了模型的识别准确率,在五个公共活动识别数据集(UCIHAR,USHAR,OPPORTUNITY,WISDM,PAMAP2)进行评估,在三个数据集上的识别准确率高于其他研究工作中的最佳效果,在两个数据集上的识别准确率与其他研究中的最佳效果基本持平。为了使模型能够根据新的需求渐进式的学习更多的新类活动,本文对活动识别领域的增量式学习进行了分析,并提出了基于传感器数据时空特征的增量式深度学习时空模型,该模型存在三个优化策略:(1)根据数据识别难度得分挑选旧类的示例数据;(2)模型更新前后使用蒸馏损失减少模型的遗忘;(3)提取传感器数据的空间特征和时序特征进行识别。实验结果显示深度时空模型的识别效果优于基于传感器数据空间特征的卷积模型,同时也优于所对比的其他研究中的方法。深度学习模型包含大量的参数,这些参数在帮助模型获得较高识别准确率的同时也占用了较多的存储和计算资源,为了减少模型中的参数并对模型进行压缩,本文结合对传感器数据深度特征的理解,对神经元的重要性进行了度量,并提出了基于神经元重要得分的卷积层通道剪枝方法,结果显示该方法有效的减少了卷积层中的参数,同时对模型的识别准确率基本没有影响。除了对卷积层进行通道剪枝外,本文还同时基于全连接层中神经元的权重大小对全连接层中的神经元进行剪枝,在不影响模型识别准确率的前提下,模型整体可以达到90%的剪枝比率。