近年来,随着互联网技术的发展和模式识别理论的成熟,智能移动设备快速普及并成为人们生活中不可分割的一部分。由于其内置了多种传感器,具有数据采集方便快捷、无需佩戴额外设备、不受实验环境影响和功耗低等优势,基于移动设备传感器的人体行为识别（Human Activity Recognition,HAR）成为研究的一个热点。然而由于人体行为的复杂性,以及人体形态的多样性,导致基于移动设备传感器的人体行为识别方法中仍存在很多有待改进的方面。本文在原始数据预处理阶段对传感器数据进行校准和滤波等操作,大大减少了传感器数据带来的实验误差,使人体行为识别的准确度进一步提升;此外在提取传感器数据与行为相关的高层次特征等方面深入分析和研究,并进行了大量的相关实验;针对目前人体行为识别有待改进的几个方面,提出了三种不同的人体行为识别方法。本文的主要工作如下:（1）为了使采集的数据不受传感器的惯性误差和移动设备方向的影响,使数据更能体现人体行为特征,进而更有效的识别人体行为,提出了一种分层BaggingSVM的人体行为识别方法。本方法充分考虑了传感器可能带来的误差,经过数据校准和滤波降噪处理后,根据传感器三轴加速度数据计算加速度的幅值,使用加速度的幅值表征人体行为,然后提取加速度数据和幅值数据中的时域特征,依据人体行为时域特征的特点建立人体行为分层模型,并在模型的每一层中使用BaggingSVM算法进行识别,实验结果表明本方法不仅能提高实验数据准确性,还能较好的识别日常行为和过渡动作。（2）针对目前人体行为识别模型单一,神经网络中采用softmax做分类器导致泛化能力不足的问题,提出了一种基于卷积神经网络（Convolutional Neural Networks,CNN）和随机森林（Random Forest,RF）的人体行为识别方法CNN-RF,本方法将两种传感器数据进行数据校准滤波等预处理,通过设置不同层数的卷积神经网络提取深度人体行为特征,再使用随机森林对卷积网络提取的人体行为特征进行分类识别。通过实验对比分析,本文提出的方法不仅可以提升人体行为的识别准确率,而且具有较强的稳定性。（3）为了提取传感器数据中与人体行为相关的更高维度的特征信息,提出了一种基于注意力机制的卷积神经网络和长短期记忆网络（Long Short-Term Memory,LSTM）的人体行为识别方法CNN-LSTM-Attn。本方法首先利用卷积神经网络提取有关人体行为的高层特征,LSTM提取与人体行为有关的时间依赖特征,然后使用注意力机制将提取的众多特征聚焦于人体行为,并将其中的重要因素赋予更高的权重,最后通过模型训练实现人体行为的识别。实验结果显示,与同类识别方法相比,该方法能够得到更高的识别准确率,而且普适性较好。