基于可穿戴设备和智能手机的人体活动识别（human activity recognition,HAR）是实现个人健康监测的一项革命性技术,近年来深度学习以其较高的准确性和自动特征提取方式逐渐成为活动识别领域的主流方法。但基于大数据的深度学习模型应用于活动识别时存在两个方面的限制:一是对大数据样本加标注的时间成本巨大;二是当训练数据和测试数据来自不同的传感器位置或用户时,模型性能将明显下降。本文对不同位置和不同用户之间的活动识别的迁移问题进行研究,探究如何利用具有丰富标注的源域数据和只有少量标注或无标注的目标域数据建立一个更高效的HAR模型,提出了一种基于深度自适应增量学习的复合模型,该模型充分结合了深度学习、迁移学习和在线序贯极限学习机（online sequential extreme learning machine,OS-ELM）三个方面的优势:（1）基于深度卷积神经网络的特征提取器:将通道注意力结构（Squeeze-and-Excitation,SE）和全局平均池化层加入标准卷积网络模型当中。通过利用端到端的结构自动高效的提取高级且有意义的特征,并且能自适应输入数据大小和学习不同传感器特征通道的权重;（2）减少域移位的深度自适应（Deep Adaptation,DA）模型:研究深度迁移学习中基于全局最大均值差异（maximum mean discrepancy,MMD）及改进的局部均值差异（Local MMD,LMMD）两个统计度量方法,以及引入梯度反转层GRL的对抗适应方法。通过建立深度迁移自适应学习模型,减少因不同用户和不同位置传感器的数据分布差异引起的模型性能下降;（3）基于OS-ELM增量学习的自适应分类器:该分类器能够利用极少量在线更新的带标注的目标域数据不断更新学习参数,其在线学习速度快,模型泛化能力强。本文在6个大型HAR公开数据集上对所提出的模型进行了大量的训练和测试。实验结果表明,当用户或者传感器位置发生改变时,基于深度自适应增量学习的活动识别精度明显优于单一的卷积网络模型和深度迁移学习模型。在7种常见活动的用户迁移实验当中:m Health、DSADS及PAMAP2数据集的识别精度基本可提高10%,最终m Health和DSADS的识别结果基本可达到95%,PAMAP2的识别结果基本可达到75%;在位置迁移实验结果中:m Health和PAMAP2数据集识别精度可提升30%以上,DSADS数据集提升20%以上,最终m Health、DSADS及PAMAP2的位置迁移识别结果分别可超过85%、80%和65%。