传感器技术的飞速发展和大数据时代的来临,使得智能可穿戴设备越来越多的出现在人们的日常生活中,如何高效的利用深度学习技术对传感器数据进行精准识别已成为活动识别领域中最重要的研究方向之一。较之于传统方法,深度学习技术在识别精度上有着巨大的优势,但是由于庞大的参数量和高昂的运行成本,制约了其在工业界的运用。针对以上问题,该文将利用特征融合思想从模型精度、参数规模和运行速度三方面进行以下研究。首先,为了更加高效的对传感器数据进行空间域和时间域的特征提取,该文设计了一种可以并行计算的特征融合模型。以卷积神经网络和循环神经网络为主体,构建了双分支网络模型。同时为了提升模型精度,引入压缩约束单元和注意力机制对各分支进行优化。实验证明,这种并行特征融合网络结构可以很好的实现传感器数据的特征提取,从而进一步提高模型的分类准确率。其次,针对卷积网络和堆叠型长短记忆网络参数过多的问题,采用混合分组卷积和嵌套长短记忆网络两种策略对网络参数进行压缩,并使用组间信息融合技术以及自适应规范化(Switchable Normalization,SN)操作保证了网络精度。随后使用两种压缩策略进行模型构建,并通过实验证明,该文所使用的两种压缩策略可以在保证准确率的前提下使网络参数实现有效精简。最后,针对循环门控网络训练时间成本过高问题,采用简单循环单元进行改进,通过对门控数量的优化来实现网络运行速度上的提升,并运用该单元对双向循环门控网络进行改进,在降低网络的运行成本同时,引入注意力机制对整个网络的性能进行优化。随后使用改进双向循环门控网络进行模型搭建,并通过在Skoda和WISDM数据集上的实验,证明了所使用改进技术的合理性。