随着近几十年微型机电系统(Micro-Electro-Mechanical System,MEMS)的快速发展,基于微型可穿戴传感器的人体运动感知系统在小型化、轻量化、低成本化、高精度和高性能上有了显著的提高。这些特点也促进了可穿戴的人体运动感知成为现实,并使其走入人们的日常生活成为可能。基于可穿戴传感器的人体运动感知可以采集人体运动过程中的时域和频域信息,进而定量、精准地分析人体运动中的细节,具有客观、全面、高效和精确的特点,从而为更多的人提供精确、多样、智能的服务,具有广泛的市场需求和应用前景。虽然当前技术仍不完全成熟,但毫无疑问,基于微型传感器的人体运动感知技术凭借其便携、普适、精确的特点已经成为人体运动感知技术中最具有发展潜力的方向之一。本文针对可穿戴人体运动感知与分析中的两大问题——人体运动模式分类及人体运动轨迹和距离计算进行了研究,所涉及的研究工作包含以下几点:首先,针对基于惯性传感器的人体运动状态分类正确率低的问题,提出了一种新的算法,从时间、精度和复杂度上对传统人体多运动模式识别算法进行改善。第一步,本文设计了一种自适应时间窗法对脚部加速度及角速度数据进行划分,该方法中时间窗的大小根据不同活动的周期长短进行设定,而不是统一按照一个固定的时间长度,提取的特征充分考虑了活动自身的周期性特点,更能准确的反应活动模式,从而提高运动模式识别的准确率。第二步,本文基于最小冗余度最大相关性算法(m RMR)及特征权重算法(Relief F)提出一种新的算法,对所选特征集进行特征降维,并最终确定23组最优特征用于支持向量机的训练,可对静止、走、跑、跳、上楼、下楼和跌倒七种运动状态进行识别。通过本文设计的实验及其实验结果可以看出,针对上述七种运动模式,本文提出的算法可以达到96.4%的平均识别率,同其他算法相比,其运行时间减少,分类精度提高,同时保留原始特征,可解释性强。其次,在人体运动轨迹与距离计算中,本文首先通过对人体脚部步伐运动的特点分析,结合不同运动类型零速度点持续时间、角速度和加速度变化幅度的差别,设置不同的检测指标来对步伐周期中的零速度点进行更加精确的判断,然后利用二重积分结合零速度更新算法来消除长时间积分运算和系统漂移等造成的累计误差,进而使得距离计算更加准确,最后设计实验进行数据采集,并利用本文提出的算法进行估算,通过与人体实际运动轨迹和距离进行对比分析来验证本文提出的轨迹和距离估算方法的准确性和可靠性。