Es innegable que los dispositivos móviles se han convertido en una parte inseparable de las rutinas diarias de los humanos debido al crecimiento persistente de dispositivos de sensores de alta calidad, recursos computacionales potentes y una capacidad de almacenamiento masiva en la actualidad. De manera similar, el rápido desarrollo de la tecnología del Internet de las Cosas ha motivado a las personas a investigar y aplicar ampliamente sensores, como el sistema de reconocimiento de actividades humanas. Esto resulta en una cantidad sustancial de trabajos existentes que han utilizado sensores portátiles para identificar actividades humanas con una variedad de técnicas. En este artículo, se propone un modelo híbrido de aprendizaje profundo que amalgama una red neuronal convolucional unidimensional con un modelo de memoria a largo y corto plazo bidireccional (1D-CNN-BiLSTM) para el reconocimiento de actividades humanas basado en sensores portátiles. La red neuronal convolucional unidimensional transforma la información prominente en los datos de series temporales de sensores en características representativas de alto nivel. Posteriormente, la memoria a largo y corto plazo bidireccional codifica las dependencias a largo plazo en las características mediante mecanismos de compuerta. La evaluación del rendimiento revela que el 1D-CNN-BiLSTM propuesto supera a los métodos existentes con una tasa de reconocimiento del 95.48% en el conjunto de datos UCI-HAR, 94.17% en el conjunto de datos Motion Sense y 100% en el conjunto de datos de un solo acelerómetro.