人体行为识别是近年来备受关注的研究方向,可以广泛地应用于智能护理、智能家居和人机交互等领域。由于可穿戴传感器具有低成本、便携性和保护隐私的特点,已受到广泛的研究和应用。对于可穿戴传感器的行为识别,现有的模型通常存在普适性差的问题,因其所采用的训练集中的用户与目标用户通常存在行为差异,导致模型难以适用于不同用户。而针对目标用户收集大量标记数据去重新训练模型也不现实。针对行为识别的用户个性化问题,本文结合深度学习和无监督域适应方法,提出并实现了一个基于无监督深度域适应的跨用户行为识别模型CUAS,并在六个数据集上进行多个对比实验验证本文方法的有效性。本文的主要工作包括:(1)基于深度神经网络的特征提取方法。为了更有效地提取传感器数据的时序特征,本文提出一个基于属性时序卷积和分段LSTM的深度学习模型(ATC-SLSTM),将时序样本分成多个局部片段,采用LSTM提取片段之间的时间依赖关系。对于每个局部片段,本文提出基于属性时序卷积的特征提取方法,采用多层小卷积叠加来对每个属性提取多种粒度的时序特征,并提出一种属性特征缩放机制来实现各个数据属性的动态加权,以强调不同属性的重要程度。(2)基于特征分布对齐的无监督域适应方法。针对目标用户与训练数据集中的用户的行为差异问题,本文将两者的行为数据通过ATC-SLSTM映射到同一特征空间,而后同时进行边缘分布对齐和类条件分布对齐。为提高对齐效果,本文提出基于方差和均值差异的分布距离度量方法用于边缘分布对齐,在此基础上提出增加方差约束和类别权重的改进方法,以提高类条件分布的类内对齐效果并更关注易被错分的类别。(3)针对跨用户行为识别模型CUAS的自训练方法。由于目标用户伪标签是类条件分布对齐的关键,直接影响模型效果。在本文提出的自训练方法中,首先采用最小熵来选择当前最优模型进入下一轮训练;而后使用该模型来预测伪标签,提出基于蒙特卡罗随机失活的伪标签预测置信度评估方法,选取具有高质量伪标签的样本迭代训练模型,并同时考虑类别平衡问题。实验表明,与其他四个方法相比,采用自训练方法优化的CUAS模型取得最好的跨用户行为识别效果。