El comportamiento humano es estimulado por el mundo exterior, y la respuesta emocional que provoca es una respuesta subjetiva expresada por el cuerpo. Los humanos generalmente se comportan de formas comunes, como mentir, sentarse, pararse, caminar y correr. En la vida real de los seres humanos, hay cada vez más comportamientos peligrosos en los seres humanos debido a emociones negativas en la familia y el trabajo. Con la transformación de la era de la información, los seres humanos pueden utilizar dispositivos inteligentes de la Industria 4.0 para realizar monitoreo de comportamiento inteligente, operación remota y otros medios para comprender e identificar eficazmente las características del comportamiento humano. Según la encuesta literaria, los investigadores en esta etapa analizan las características del comportamiento humano y no pueden lograr el algoritmo de aprendizaje de clasificación de características únicas y características compuestas en el proceso de identificación y juicio del comportamiento humano. Por ejemplo, el análisis de las características de los cambios en el proceso de sentarse y levantarse no puede ser para clasificación e identificación, y la tasa de detección general también necesita ser mejorada. Para resolver esta situación, este documento desarrolla un método de aprendizaje automático mejorado para identificar características individuales y compuestas. En este documento, se utiliza primero el algoritmo HATP para la recopilación y el aprendizaje de muestras, que se divide en 12 categorías por características individuales y compuestas; en segundo lugar, se utiliza el algoritmo de red neuronal convolucional CNN, el algoritmo de red neuronal recurrente RNN, la red neuronal de valores extremos a largo y corto plazo LSTM y el algoritmo de unidad de anillo de control de compuerta GRU. Se utiliza el algoritmo existente para diseñar el gráfico del modelo y el algoritmo existente para todo el proceso; en tercer lugar, se utiliza el algoritmo de aprendizaje automático y el algoritmo de control principal utilizando la característica de fusión propuesta para HATP y los seres humanos bajo la acción de sensores portátiles. Se fusionan las características de salida de cada etapa de comportamiento; finalmente, mediante el análisis de datos SPSS y la reoptimización del algoritmo de característica de fusión, el mecanismo de detección logra una tasa de reconocimiento de muestra objetivo general de aproximadamente el 83.6%. Finalmente, se realiza la investigación sobre el mecanismo del algoritmo de aprendizaje automático para la clasificación de características del comportamiento humano bajo el nuevo algoritmo.