随着普适计算的概念深入人心,可穿戴传感器越来越多的出现在人们的日常生活中,如何利用庞大的传感器数据提高人类活动识别的准确性与实时性成为了辅助生活领域中的一个重要研究方向。近年来,摒弃了手工提取特征并且不断刷新各类任务世界纪录的深度学习算法成为了活动识别领域的研究重心。本文主要研究深度学习算法中的循环神经网络在基于传感器数据的活动识别领域中的应用,并将研究算法应用于三种不同类型的数据集中,取得了良好的应用与研究效果。首先,为了发挥卷积网络,循环网络以及支持向量机针对不同类型数据的分类优势,基于集成学习的思想,本文研究了一个融合上述三种算法的模型。在测试时间没有明显变化的前提下,利用UCI_HAR数据集验证了融合模型的有效性。其次,针对传统循环网络特征提取能力差,特征使用不合理的问题,本文借鉴图像与自然语言领域中的注意力机制,研究了三种用于分类任务的注意力机制。在仔细研究了这三种机制在不同数据集不同使用方式对模型精度的影响后,证明了本文研究的注意力层可以提升循环网络的特征表达能力,进而提高模型的分类精度。最后,自然型数据集的标签使用一直是活动识别领域的难点之一,区别于已有的两种主流处理方式,本文考虑使用数据集的全部标签将时间段分类任务转化为时间点分类任务,即分割任务。借鉴图像分割以及机器翻译理论,本文研究了两个基于分割任务的注意力模型,将循环神经网络引入到活动识别分割任务中来,在两个公开数据集上取得了良好的成绩。