深度学习可解释性问题的突破对于AI技术在国防科技等诸多领域的应用具有显著影响。而在物联网技术高速发展的时代,传感器设备在现代社会生活中必不可少。为此本文使用深度学习的方法实现多种基于惯性传感器的运动轨迹识别任务,并通过从事前可解释性建模和事后可解释性分析两个方面,对深度学习模型展开可解释性分析。惯性传感器因为较大的测量误差而难以应用于精准的运动轨迹还原任务,但其能够单独实现数据采集,并具有体积小、易穿戴的特点,由此我们设计了基于惯性传感器的手部运动轨迹识别任务。首先使用具有高度可解释性的随机森林模型进行建模,完成运动轨迹数据的时域及频域的特征提取,由此实现运动轨迹的精确识别,并使用基尼系数对模型特征选择的重要性给出解释。从深度学习的事前可解释性建模角度出发,为了增强深度学习模型的特征提取和整合能力,我们设计了一种自适应偏度峰度结构的神经网络,它可以确保在稳定神经网络层的均值与方差的状态下自适应地改变网络层的偏度和峰度,同时实现层内的神经元节点在不显著改变其统计特性的情况下进行有效的连接和信息交流。将自适应偏度峰度结构分别应用于MLP、CNN、VGG、Res Net等多种模型,并在运动轨迹识别任务和多种图像识别任务上进行抗噪效果的验证实验,实验证明了我们设计的结构在应对噪声含量较大的数据集时具有明显的抗噪效果。从深度学习的事后可解释性分析角度出发,构建三层的卷积神经网络模型完成人体运动轨迹识别任务,根据随机森林模型中建立的时频域特征,研究分析训练过程中神经网络隐藏层的特征变化规律。其中全连接层的幅度均值特征对寻找网络训练收敛点、指导深度学习训练时间具有重要指导作用,进而优化模型的训练过程。神经网络中的卷积层不同通道所学习特征能力情况各异,对于卷积层通道数量的确定具有指示作用。同时将模型的训练过程分为三大阶段:首先是快速学习数据特征,然后学习数据特征的速度缓慢,最后特征的学习充分完成。实验所发现的神经网络训练过程中的变化规律在多个运动轨迹识别任务上得到了确认,验证了所提出的特征规律的广泛适用性。