人体复杂行为识别是可穿戴和移动计算中的重要问题,使用手机进行人体复杂行为识别对于观察用户日常行为有着重要意义。目前大多数研究都集中在识别简单活动上(行走、跑步、端坐等),简单活动的特点是动作重复或姿势单一。现有的基于复杂行为识别的方法存在提取特征不充分,导致相似行为之间容易互相混淆。为了克服现有方法提取特征不全面带来的识别错误,本文研究了基于一维卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆网络(Bidirectional Long Short-Term Memory,BLSTM)混合网络模型与多特征融合的人体复杂行为识别方法。由于单层的网络输出不能得到最佳的状态信息,本文研究了一种数据分离多尺度特征结合的人体复杂行为识别方法,可以进一步提高复杂行为识别的正确率。人体行为往往跟发生位置有密切关系,本文研究了一种基于位置编码的人体复杂行为识别方法,使网络模型可以根据位置信息,排除当前与位置不相关的行为事件,本文最终设计并实现一个基于移动终端的人体复杂行为识别系统。本文的主要研究内容如下:1、研究一种基于CNN与BLSTM混合网络模型与多特征融合的人体复杂行为识别方法。该方法设计了一个CNN网络模型用于提取数据空间维度特征,并利用BLSTM提取数据的时序特征。考虑到在行为识别过程中,当前时刻状态的输出不仅和之前的信息有关,也和之后的信息相关,用双向长短期记忆网络,可以利用状态信息的时间上下文关系,提高行为识别正确率。方法还设计了一种基于序列前向选择和网络权重的特征选择方法,对传统方法提取的特征进行特征选择,从而得到优势特征集。为了进一步提高行为识别正确率,将优势特征与CNN和BLSTM混合模型提取的特征向量进行融合,通过充分挖掘传感器数据特征,达到高精度复杂人体活动识别。2、研究一种数据分离多尺度特征结合的人体复杂行为识别方法。分离手腕和下肢位置的传感器数据,分别进行独立训练,得到各自的状态编码信息,可以克服单一神经网络表达能力不完全的问题。多尺度特征可提取网络深层和浅层特征,得到全局的整体信息以及局部的详细信息。通过结合不同类型网络特征,可以得到不同特性的特征向量,从而提高人体复杂行为的识别正确率。3、研究一种融合位置信息的人体复杂行为识别方法,对复杂行为发生的位置信息进行one-hot编码,克服一维位置数据特征提取不充分的缺点,并将编码过的位置信息与网络输出特征向量以及序列前向选择算法和网络权重选择的优势特征向量相融合作为下一层全连接网络的输入特征向量。该方法可排除与位置信息无关的行为事件,提高人体复杂行为识别正确率。4、设计并实现一个基于移动终端的人体复杂行为识别系统,该系统可实时进行复杂行为识别,在实际应用中验证本文提出的复杂行为识别方法的可行性和实效性。