为了解决惯性传感器原始信号在人体行为识别（ＨＡＲ）任务中特征提取困难的问题，提出了一种基于变分模态分解（ＶＭＤ）和多尺度通道注意力（ＭＣＡ）机制优化的ＲｅｐＶＧＧ 人体行为识别网络模型。该 模型首先使用ＶＭＤ 将惯性传感器原始信号依据中心频率的不同分解为若干本征模态函数（ＩＭＦ）。接着，利用通道注意力机制，进一步优化这些ＩＭＦ，突出有助于提高识别精度的特征。最后，使用具有结构重参数化的高效卷积神经网络ＲｅｐＶＧＧ 对优化后的ＩＭＦ 进行特征提取和活动分类。实验结果表明：该模型在ＵＣＩＨＡＲ 数据集中的准确率达到了９７． ４２ ％ 。该模型将为不同场景下的活动识别提供可靠的技术支持。