La autenticación y verificación de usuarios a través de datos de marcha basados en los sensores inerciales de teléfonos inteligentes ha atraído gradualmente una mayor atención debido a su tamaño compacto, portabilidad y asequibilidad. Sin embargo, los enfoques existentes a menudo requieren que los usuarios caminen a una velocidad normal en una carretera específica para mejorar la precisión de reconocimiento. Para reconocer marchas en condiciones no restringidas sobre dónde y cómo caminan los usuarios, propusimos una Red de Aprendizaje Profundo Híbrida (HDLN), que combinó las ventajas de una red de memoria a corto y largo plazo (LSTM) y una red neuronal convolucional (CNN) para extraer de manera confiable características discriminativas de datos inerciales complejos de teléfonos inteligentes. La capa de convergencia de HDLN se optimizó a través de un agrupamiento piramidal espacial y un mecanismo de atención. El primero aseguraba que las características de la marcha se extrajeran de más dimensiones, y el último garantizaba que solo se procesara información de marcha importante mientras se ignoraban datos no importantes. Además, desarrollamos una APP que puede lograr el reconocimiento de marcha en tiempo real. Los resultados experimentales mostraron que HDLN logró mejores mejoras de rendimiento que CNN, LSTM, DeepConvLSTM y CNN+LSTM en un 1,9%, 2,8%, 2,0% y 1,3%, respectivamente. Además, los resultados experimentales indicaron la alta escalabilidad de nuestro modelo y su fuerte idoneidad en escenas de aplicación real.