现代科技不断的兴起和时代的变化,射频识别技术（RFID）和智能手机已经成为人们生活的重要部分。人们对美好生活的向往越来越强烈,特别在健康医疗、智能家居等方面更加注重。为此,基于RFID和智能手机的人体行为识别成为目前研究的热点。由于人类的日常生活行为动作具有复杂多样性,而目前的人体行为识别研究基于复杂动作的研究较少,同时忽视了室内外结合的人体行为识别重要性。本文主要基于RFID和智能手机传感器的人体行为识别研究,为了增加室内人体行为识别稳定性,提出基于RFID人体行为识别研究包含4种日常生活行为动作;针对室外的人体行为识别研究,提出基于智能手机传感器人体行为识别研究,同时提出场景+动作组合的行为动作19种,并利用机器学习、深度学习对日常生活动作进行识别研究。基于RFID的人体行为识别设计中,考虑到单输入和单模型对原始数据提取特征不够充分,提出手动设计聚合特征结合自动特征提取。自动特征提取由原始数据分别输入LSTM模型和FCN模型,手动特征输入DNN模型,三种特征进行融合,构建多输入的mLSTM-FCN的行为识别模型。在采集包含4种室内日常生活行为动作的数据中,通过五折交叉验证,取得了 95.56%的平均准确率。基于智能手机传感器的人体行为识别设计中,采集的行为动作片段数据的大小不一致,填充和舍弃数据会对模型产生噪点,为此提出多尺度输入。受“视频倒放也能表示一副画面”启示,提出反向序列输入。正向序列和反向序列输入CNN提取特征,手动聚合特征输入DNN模型,构建多尺度双向序列的mCNN-DNN模型。在采集包含场景+动作组合的19种数据中,通过五折交叉验证、数据增强和自定义的评价指标,取得了 0.887分数,同时打败了 10个对比实验的分数。