传统的人员行为识别中,通过人工特征对人员行为进行分类.这些方法仅能够利用较浅层次的特征,其识别准确率有限.提出通过卷积长短时深度神经网络(convolutional long short-term deep neural networks,CLDNN)进行人员行为识别,并用新的GRU门控单元代替传统的LSTM门控单元提高网络效率.利用该网络结构,既可提取惯性数据中多层次特征,也可充分利用时间序列相关性.通过开源数据集的实验证明,该方法相比于传统的卷积网络和基于LSTM门控循环神经网络的识别准确率分别提高了约3%和7%;用GRU门控单元代替LSTM单元后,所需的训练时间和前向的识别时间分别下降了14%和10%.