目前,基于人体行为识别(Human Activity Recognition,简称HAR)的研究已取得诸多成果,并在工业、医疗卫生、体育竞技、安全认证、人机交互、智能应用等各个方面被运用,具有重要的理论价值和实际应用价值,本文主要针对传感器方面的人体行为识别问题,从时间序列数据(Time Series Data,TSD,也称时序数据)的角度进行探讨,以提高算法的性能和精度。基于传感器时序数据的人体行为识别研究一般是通过提取特征值并利用分类器完成行为识别,因此数据特征的提取和识别的算法选择是该领域主要问题。但已有的特征提取方法和识别方法仍存在不足,因此本文提出了以下两个改进模型:首先,提出了一种基于改进的数据分割和特征提取算法BU_DSW(Bottom-Up Dynamic Sliding Window,简称BU_DSW)。对于时序数据来说,数据分割是能否提取出有效特征的重要一步。与人体行为识别中最常用的滑动窗口算法不同,改进的BU_DSW算法结合了自底向上算法(Bottom-up,简称BU)和动态滑动窗口算法(Dynamic Sliding Window,简称DSW),将时序数据按照分布规律动态地分割,而不再是一味地将数据分割成等长的子序列。在分割的同时还利用窗口滑动逐一提取出分割子序列的时域和频域特征,与分类器提取出的特征相融合,从而得到复合特征向量集。其次,本文提出了一种改进的多尺度卷积神经网络模型算法(Multi-scale Convolutional Neural Network简称,MCNN),结合了卷积神经网络(Convolutional Neural Network,简称CNN)模型和Inception结构的优点,使用多个不同尺度大小的卷积核来提取出数量更多种类更丰富的数据特征,以提高识别精度。采集自可穿戴传感器的人体行为识别数据通常都是离散的时序信号数据,而人的日常行为活动多种多样,这使得行为识别的数据可能十分复杂,多尺度的挖掘模型则能够得到更加丰富的信息。在实验部分,本文使用UCI HAR数据集和WISDM两个人体行为识别的时序数据集依次对算法进行了验证,并结合了卷积神经网络、循环神经网络(Recurrent Neural Network,简称RNN)、长短期记忆模型(Long Short-Term Memory,简称LSTM)、双向长短期记忆模型(Bi-directional LSTM,简称BLSTM)、多层感知机(Multi-Layer Perceptron,简称MLP)等几种常见的神经网络模型对实验结果进行比较分析,用准确率、召回率、损失率、F1分数等各个指标评估实验结果。最终的结果表明,本文的两种改进方案均能提升算法效果。