针对目前人体动作识别技术中存在的隐私暴露、技术复杂度高和识别精度低等相关问题，提出了一种基于热释电红外（PIR）传感器的人体动作识别方法。首先，采用一组安置在天花板上经过视场调制的PIR传感器采集人体运动时散发的红外热辐射信号，将传感器输出的电压模拟信号进行滤波放大后通过ZigBee无线模块传送到PC端打包成原始数据集；其次，将原始数据的两路传感器输出数据进行特征融合，对融合后的数据做标准化处理封装为训练集和测试集；然后，基于数据的特征提出一种两层级联的混合深度学习网络模型作为人体动作的分类算法，第一层采用一维卷积神经网络（1DCNN）对数据进行特征提取，第二层采用门控循环单元（GRU）保存历史输入信息防止丢失有效特征；最后，利用训练集来训练该网络模型得出参数最优的分类模型，通过测试集验证模型的正确性。实验结果表明，提出的该动作识别技术模型对基本动作分类的准确率高于98%，与图像动作识别或穿戴式设备动作识别相比，实现了实时、便捷、低成本和高保密性的高精度人体动作识别。