随着技术的发展,智能感知设备的计算能力和感知能力有了很大的进步。然而,在用户量快速增长的今天,面对海量的人体行为数据,设备对用户行为的理解能力仍略显不足:一方面,对于相似行为识别,现有的人体行为识别模型仍有提升的空间;另一方面,针对应用场景中智能感知设备存在的计算能力、能耗以及网络状况等限制,能够实时对人体行为数据进行识别和交互反馈并且兼顾精确率和性能的自适应算法模型也是急需解决的问题。针对上述问题,本文提出了融合注意力机制和LSTM（Long Short-Term Memory）的行为特征识别模型以及融合拓展决策和注意力网络的行为动态识别模型,本文的创新点和主要工作如下:（1）针对当前在人体行为识别中,相似行为辨识精度不高的问题,本文提出了一种基于EI-ALSTM（Even-Incpetion Attention Long Short-Term Memory）的行为特征感知识别模型。该模型首先利用数据处理模块实现了数据的获取与动作切分,之后采用基于Even-Inception的特征提取模块实现对用户行为的特征进行提取,再采用基于ALSTM（Attention Long Short-Term Memory）的时序分析模块进一步捕获时序动作间的关联,最后进行模型训练,分类得到最终的行为识别结果。（2）针对实际应用场景中智能感知设备的限制,本文提出了一种新颖的基于Multi Att-XGB（Multi-channel human signal deep fusion attention networkXGBoost）融合拓展决策和注意力网络的行为动态识别模型,以达到算法自适应调整并且兼顾识别精确率与交互反馈性能的目的。模型由Multi Att深度融合注意网络、XGBoost拓展决策网络与人体感知识别任务动态调度算法组成。调度算法通过分析智能感知设备调度任务执行,服务器端Multi Att完成任务并反馈贡献分值向量给XGBoost拓展决策网络模块以进行人体行为数据通道的筛选,移动设备端XGBoost将会根据筛选后的通道数据进行高性能行为识别与交互反馈。（3）本文在WIDSM、UCI-HAR、OPPORTUNITY以及自制数据集中,通过多组模拟实验从精确率、召回率与混淆矩阵等指标对算法有效性进行验证。实验结果证明,EI-ALSTM在WISDM、UCI-HAR以及PHAD数据集上分别达到了96.28%、96.67%和95.63%的精确率,相较于对比算法的最优结果依次提升了1.54%、2.49%和1.26%。动态调度使用的XGBoost拓展决策网络算法和Multi Att深度融合注意网络算法,都得到了很好的识别效果。