随着智能手机的迅速普及,手机场景检测为环境相关的上层应用提供了重要的依据。由于手机内存和电量有限,场景检测系统在满足高准确率要求的同时,还需要考虑手机能耗的问题。因此急需寻找一种高准确率低能耗的场景检测技术。近些年来,深度学习已成功应用于各个领域,具备学习能力强、适应性好、准确率高的优点。因此,本论文将深度学习方法引入到手机场景检测技术中,构建深度学习手机场景检测模型,并使用在各个场景中采集的真实数据进行训练和测试。具体工作如下:第一,与目前只针对地上室内外的手机场景检测相关研究不同,根据城市地下轨道交通的发展现状,本论文设计了针对室内/室外/地下三个场景的场景检测模型。三个场景中存在若干传感器数据交叠的情况,因此造成检测难度的提升,对模型的特征学习能力提出了更高的要求。第二,本论文创新性的提出了学习传感器数据的时间相关性的思路。因此,我们采用长短期记忆网络(Long Short-Term Memory,LSTM),搭建基于LSTM的场景检测模型,并探索了网络的优化。此外,本论文分析了手机各低功耗传感器对于场景检测的贡献,为未来手机场景检测的研究提供重要依据。第三,为了满足手机场景检测技术对低能耗和普适性的要求,我们仅使用不涉及用户隐私且高中低端智能手机均具备的低功耗传感器数据。为了验证检测模型在实际应用中的性能,我们在不同地点、时间、天气条件和运动状态中实地采集了每个场景的手机传感器数据。最后,本论文使用Python语言和Tensor Flow深度学习框架搭建了基于深度学习的手机场景检测系统,基于采集的真实数据对检测系统进行了训练和测试,并与K-邻近法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)、决策树(Decision tree,DT)、逻辑回归(Logistic Regression,LR)和随机森林(Random Forest,RF)五种传统的机器学习方法进行比较。实验结果表明,本论文提出的深度学习场景检测模型表现最佳。