随着移动可穿戴技术及其应用的快速发展,基于可穿戴传感器的行为识别技术成为近年来的研究热点,在健康监测、环境辅助生活、人机交互等领域得到广泛应用。人体行为识别的目标是在非受控环境下实时、准确地识别目标用户的动作。不同于图像或视频信息,直接佩戴于人体的运动和生理传感器更容易受到用户运动习惯、个体间差异、设备佩戴模式等因素的影响,使得不同用户之间的传感器数据存在较大的分布差异,降低了模型的跨用户识别性能。对此,本文的主要工作包括:1)在识别方法方面,构建五种基于深度学习和三种基于传统机器学习的人体行为识别模型,并按照统一的基准,在三个流行的公开数据集上进行全面的跨用户性能评估,最终确定了优选的模型框架。实验结果表明,行为模型在跨用户场景下普遍存在显著的性能下降,而使用手工特征的传统机器学习方法具有更强的跨用户泛化性能。2)在数据预处理方面,提出一种基于坐标系变换的用户间IMU数据矫正和特征提取方法,减少不同用户之间的数据分布差异。使用原始和矫正后的IMU数据构建的随机森林模型在m Health和UCIDSADS数据集上分别获得94.64%和94.30%的跨用户平均F1分数,优于随机森林基线模型。此外,在最容易误判的三种动作上分别取得了9.22%、17.3%和15.58%的识别准确率提升,证明了所提方法的有效性。3)在特征筛选和模型构建方面,提出一种基于基尼不纯度的跨用户决策树节点划分准则,在特征选择过程中实现动作识别和用户泛化之间的权衡。基于该划分准则构建的跨用户-随机森林模型在三个数据集上分别获得了94.99%、91.97%和93.25%的跨用户平均F1分数,优于基线模型。而对跨用户识别准确率最低的用户,分别获得了6.36%、7.42%和3.94%的效果提升,证明了所提方法在抑制个别用户数据分布偏向方面的有效性。在此基础上,提出一种基于特征融合和筛选的跨用户识别框架,通过对抗学习的方式训练深度特征提取器,从而为后续的跨用户-随机森林方法提供更多的特征候选。所提框架在m Health和UCIDSADS数据集上分别获得了95.79%和93.47%的平均F1分数,优于单独的跨用户-随机森林模型。