活动识别是一个典型的时间序列分类问题,目的是为了确定传感器数据流的某一连续部分是由哪种人体活动产生的,在人机交互、健康医疗、教育、远程会议、体育运动等方面具有广泛的应用前景。目前,内嵌着多种传感器的智能手机已成为活动识别和运动监测的理想平台,极限学习机(ELM)经过多年研究已成为活动识别领域的较为先进的研究方法。本文分别从监督学习、半监督学习、无监督学习三个角度出发研究了ELM及其改进算法进一步对ELM进行优化,并利用三个智能手机数据集验证优化方法的可行性和有效性。首先,研究了ELM监督学习模型H-ELM,将H-ELM与深度重构模型相结合,并在H-ELM初始化深度重构模板参数的过程中,采用了合并权重矩阵和偏置矩阵的新思路,简化了随机过程步骤,而数据集验证结果表明,该方法对传感器数据集的识别正确率可高达99%。其次,研究了ELM半监督学习模型SS-ELM,在进入模型训练之前,对样本数据进行PCA降维,尽可能地降低样本数据间的冗余度,提高活动识别效果。数据集验证结果表明该方法不仅提高了活动识别正确率,而且将训练时间缩短了10%左右。最后,研究了ELM无监督学习模型US-ELM,主要对其算法原理与求解过程进行了分析,结果表明US-ELM可对样本数据起到一定的聚类作用。综合来看,ELM在智能手机传感器活动识别领域识别正确率较高、通用分类能力强,在相关领域有着巨大的潜在应用价值。