近年来,随着传感器技术和智能设备的迅速发展,人体行为识别成为重要的研究热点,在医疗监控、智能安防、老年看护以及室内定位具有重要的研究意义和广泛的应用前景。在人体行为识别领域,基于可穿戴设备传感器信号的方法具有便携性好、功耗低、抗环境干扰等优势,更适用于实际应用场景。随着研究深入,目前基于传感器信号的人体行为识别研究在公开数据集上可达到较高效果,但公开数据集是在实验室理想环境下采集的在服务器上进行精度计算,而面向智能可穿戴设备的实际应用场景更加复杂,存在可穿戴用户动作不规范、速度差异、用户之间存在差异性等问题。针对这些问题,本文面向智能可穿戴设备的轻量级计算平台设计了基于残差网络的人体行为识别深度网络模型,并结合超图学习和迁移学习提高了实际应用场景下用户行为识别精确度。论文主要工作如下:1.针对实际可穿戴场景中由于用户动作不规范且存在速度差异导致精确度不高的问题,本文基于轻量级可穿戴计算平台,设计了基于残差网络的行为识别模型。实验结果表明,在USC-HAD公开数据集下比现有的文献提高2.32%,达到92.72%的精确度。在快递员原始数据9分类下达到94.8%的较高精确度。2.在实际应用场景中,用户的个性因素(身高、体重)的差异对行为识别准确率存在影响,本文为了提高模型的普适性,提出将个性因素与传感器数据融合在一起,并利用超图学习进行行为识别的方法。实验结果表明,在USC-HAD公开数据集下,比现有的文献提高3.1%,达到93.3%的精确度。在快递员数据提取的60维特征的基础下,加入个性因素后提升3.95%,达到90.5%的精确度。3.针对实际场景中由于用户差异性导致测试新用户数据集精确度不高的问题,本文为了提高模型的泛化性能,首先设计了半监督的跨用户行为识别模型,实验结果表明,在快递员数据集跨用户下,识别精确度由74.47%提升到94.38%。其次本文提出了基于余弦加权的无监督域适应方法CORAL用于跨用户的人体行为识别,实验结果表明,在快递员数据集跨用户下,识别精确度提升5.09%,达到86.77%的精确度,在WARD公开数据集上,本文提出的方法比现有的文献提升6.65%,达到90.94%的行为识别精确度。在此基础上,将本文设计的人体行为识别模型应用到计算快递员劳动量的实际应用中,基于层次分析法设计一个计算快递员劳动量模型,并设计和实现面向快递员劳动量计算系统,该系统智能化的工作模式有助于降低快递员离职率。