大约十年前,无线传感器网络的应用技术导致了基于传感器数据网络的引入:基于传感器数据网络是应用于人类健康的一种特殊类型。自诞生以来,基于传感器数据网络在我们日常生活的各个方面带来了颠覆性变化。在技术水平上,基于传感器数据包括应用于人体的无线可穿戴生理传感器,从而能够以低成本实现连续且实时的监测,并且十分安全。在最近几年中,随着传感器设备(尤其是智能手机)在大规模工业领域的推出,其扩散速度得到了极大的提高,这些设备可以捕获加速度、角速度等重要数据。但是,由于许多基于传感器数据网络的应用程序都需要复杂的信号处理技术和算法,因此它们的设计和实现仍然是当今的一项艰巨任务。为了克服这项任务的难点,本文的提出一种根据智能手机的传感器数据的模型来对用户行为进行识别。本文分以下几个研究点来进行详细研究:(1)采集多种数据集。本文共使用了三个数据集,每个数据集数据的规模大小不同,并且其收集数据的方式和使用设备也各不相同,旨在提高本文所提模型的鲁棒性。(2)对未经处理的传感器数据进行预处理。由于用户行为识别的重要指标以准确率为主,必须要减少其它因素影响,对数据归一化使数据的格式统一,并且进行输入前的其他预处理操作。(3)针对现有识别方式的单一性,受序列数据可视化方向启发,将传感器产生的时间序列数据通过GAF图像化算法转换成图像数据。其中,根据用户行为识别问题中的特殊情况,提出一种升级版的GAF图像化算法。使得在保证原有图像化算法的性能情况下对特殊情况进行有效处理。(4)针对传感器数据的多源异构性,使用多种传感器数据(如同时使用加速度和角速度数据)进行共同训练。为了满足这种训练需求,提出一种融合的卷积神经网络——深度融合残差网络,使得异构传感器数据中的隐藏信息能够被充分挖掘。(5)所提模型与各类机器学习算法(传统机器学习和深度学习算法)进行对比,对实验结果进行分析得出本文提出的行为识别方法准确率均显著高于其他方法,能够在多种场合下有效地识别出智能手机用户的行为,具有良好的普适性。