运动状态识别一直是状态识别领域的研究热点，在虚拟现实、健康医疗、交通领域以及军事训练等方面均有较为广泛的应用。目前大量的研究都是基于传统的分类算法来对运动状态进行分类，取得了不错的效果，但仍然存在着许多问题，例如，所使用的数据源比较单一、数据采集和运动状态识别都需要专业的相关设备等，无法做到随时随地对运动状态数据进行采集并识别，限制了应用范围。　　本文在汲取前人研究成果的基础之上，提出了一种基于深度学习的运动状态识别方法。该方法首先利用智能手机进行数据采集，然后运用不同类型的神经网络构建神经网络模型，结合深度学习技术以及TensorFlow深度学习平台，完成运动状态数据采集和识别，并能够应用智能手机实现对运动状态的实时识别。　　本文的研究内容主要有以下几个方面。　　（1）人体运动状态识别。基于公开的人体运动状态数据集，利用TensorFlow深度学习框架和深度学习技术分别设计了经典神经网络、卷积神经网络、单向长短时间记忆神经网络以及双向长短时间记忆神经网络等四种神经网络完成对人体的运动状态数据进行特征提取和分类。通过比较上述四种神经网络的学习算法复杂度、神经网络结构、智能手机计算性能以及神经网络模型的实际应用等，选出适合移植在智能手机中的神经网络模型。　　（2）人体交通状态识别。智能手机功能的不断增强和普及应用，降低了数据采集的要求。本文利用智能手机内置传感器采集人体交通状态数据，并对采集到的数据进行降噪、分段和规整，制作成相应的训练数据集和测试数据集。在人体运动状态识别基础上，利用深度循环神经网络的不同种类神经单元构建不同的神经网络结构，在训练时不断调整参数和网络中的隐藏层单元数据，完成对人体交通状态数据的特征学习与分类。通过训练模型在测试数据集的识别效果，确定最终的神经网络结构。　　（3）模型移植与实际应用。结合 TensorFlow 技术和 Android 技术，将训练好的神经网络模型移植到智能手机中，通过手机APP完成对人体运动状态和人体交通状态数据采集和实时识别。