Actualmente, una cantidad significativa de interés se centra en la investigación en el campo del Reconocimiento de Actividad Humana (HAR) como resultado de la amplia variedad de sus usos prácticos en aplicaciones del mundo real, como la identificación biométrica de usuarios, el monitoreo de la salud de las personas mayores y la vigilancia por parte de las autoridades. El uso generalizado de dispositivos sensores portátiles y el Internet de las Cosas (IoT) ha llevado al tema de HAR a convertirse en un tema significativo en áreas de computación móvil y ubicua. En los últimos años, el enfoque de inferencia y resolución de problemas más ampliamente utilizado en el sistema HAR ha sido el aprendizaje profundo. Sin embargo, existen desafíos importantes con respecto a la aplicación de HAR para problemas en la identificación biométrica de usuarios, en los cuales varios comportamientos humanos pueden considerarse como tipos de cualidades biométricas y utilizarse para identificar a las personas. En este estudio de investigación, se presenta un marco novedoso para la identificación de usuarios con base en clases múltiples, con un enfoque en el reconocimiento del comportamiento humano a través del uso de modelos de aprendizaje profundo. Para obtener información avanzada sobre los usuarios durante la realización de diversas actividades, se aplican datos sensoriales de giroscopios triaxiales y acelerómetros triaxiales de los dispositivos portátiles. Además, se mostró un conjunto de experimentos para validar este trabajo y se demostró la efectividad del marco propuesto. Los resultados de los dos modelos básicos, a saber, la Red Neuronal Convolucional (CNN) y la Memoria a Corto y Largo Plazo (LSTM) de aprendizaje profundo, mostraron que la precisión más alta para todos los usuarios fue del 91.77% y 92.43%, respectivamente. En cuanto a la identificación biométrica de usuarios, estos son niveles aceptables.