随着传感器技术的飞跃发展,使人们感知这个世界又多了一种类型的数据和信息。传感器的增加随之而来的就是数据量的增加,那基于传感器数据的人类活动识别也带来了新的挑战,需要从大数据中去挖掘有效信息。深度学习方法应运大数据的浪潮而生,它能够自动从海量数据中提取特征,实现自主学习,更加智能化,克服了传统手工提取特征的缺点,相较于传统方法具有不可比拟的优势。首先,将深度卷积神经网络、深度循环网络模型,基于卷积神经网络和长短时记忆网络这三种目前主流的基于传感器的活动识别的深度学习方法在不同的活动识别数据集上进行实验,对比发现循环网络在识别率和网络训练速度上有所欠缺。基于此,采用改进型的循环网络方法以弥补不足之处。其次,介绍了门控循环神经网络,双向循环网络和注意力机制。双向循环神经网络保证了时间点上信息的完整性,注意力机制保证了加强了信息特征的表达,为了针对循环神经网络识别精度不高的问题,基于一种自适应的注意力机制模型与双向循环神经网络结合,以提升模型识别精度。此外,利用循环网络在时间深度上的抽象特征表示和经过全卷积网络在空间和时域上提取的特征进行信息融合,构建出双流门控循环全卷积神经网络,帮助提高模型性能。最后,由于循环神经网络训练时间长的这一难题,采用简单循环神经网络(Simple Recurrent Unit,SRU)解决在循环网络中“门循环”上的时间依赖问题,实现网络的加速训练。另外,用到的真实环境传感器数据往往存在类不平衡和空类数据,针对这一问题,引入聚焦损失函数(Focal loss)的方法,采用多分类Focal loss实现基于在传感器数据下的多分类活动识别领域中解决类不平衡问题,也取得良好的实验结果,使模型性能有所提高。