人体行为识别(HAR)是模式识别与人工智能领域的研究课题之一,具有重要的研究意义,目前已经被实际应用于很多领域。人体行为信息的记录形式有图片、视频和传感器数据等,而传感器相较于计算机视觉数据采集设备具有功耗低、体积小和成本低等众多优点,因此使用传感器数据进行HAR得到了广泛的研究和应用。传统的机器学习方法的特征工程量大,且需要具备动作领域知识,而深度神经网络直接处理输入的原始传感器数据,能大幅减少工作量。所以本文使用深度神经网络进行HAR,提高识别准确率,降低计算复杂度。首先,针对原始数据难以直接利用的问题,本文构建人体行为数据转换模型。利用数据预处理方法将采集的人体行为原始数据转换成后续方便处理的数据格式,有效缓解了噪声干扰和数据量纲不同造成的难以训练问题。其次,基于数据转换模型和深度神经网络构建人体行为识别模型,针对标准LSTM网络的识别准确率不足的问题,经过实验分析融合了猫眼连接算法。实验结果证明,融合该算法后的HP-LSTM网络能够有效地提升识别准确率,但是训练计算消耗增加。最后,经过实验分析使用协同控制算法对HP-LSTM结构进行改进,减少了控制门的参数计算。实验结果证明,融合了协同更新控制的S-LSTM能够有效降低数据训练的计算消耗,还增强了模型对易混淆行为的识别能力。此外,还对数据转换模型进行扩展,改进了数据转化公式,增强了对传感器数据处理的兼容性。