基于加速度传感器和陀螺仪的人体行为识别研究是近年来的一个新兴研究方向,伴随着相关领域技术的发展,越来越多的研究人员投入到了该领域的研究之中,通过对传感器数据的解读来完成对人体状态进行理解和描述,这是可穿戴计算技术的重要组成部分。基于传感器的动过识别不受特定时间和场景的限制,更能体现运动的本质,在老年人监护、人机交互、体感游戏和士兵训练等方面都有重要应用。虽然人体行为识别引起了更多的研究人员的关注,但目前的研究仍存在很多需要解决的问题,包括如何更精准的进行动作分割、如何排除噪声数据的干扰、如何面向具体的应用场景设计准确率更高的行为识别算法。针对这些问题,本文主要进行的工作如下:(1)提出了基于姿态特征和相似度向量的动作识别算法:对加速度计和陀螺仪这两种不同的传感器所提供的原始行为数据进行融合,通过四元数法得出佩戴在人体上得采集模块欧拉角,计算欧拉角的差值和关键点斜率,标准化处理后作为姿态特征;通过对大量训练样本数据自动学习构建击球动作模板库,提取反映待分类样本数据的加速度信号旋转变化的特征点序列,将所得到的序列与击球动作模板库比较得到相似度向量。将姿态特征和相似性向量作为特征值,使用SVM进行分类,分别在有无噪声的前提下与传统的时域特征值和频域特征值进行了对比。(2)提出了基于多个传感器节点的动作识别算法:实验人员佩戴多个传感器节点同时采集上肢的动作数据,对多个节点的原始数据进行数据融合并提取相关的特征值,利用SVM进行分类。(3)设计了动作识别平台并完成了对其中软件部分和硬件部分的开发:绘制了数据采集节点的硬件原理图和PCB图,提出了一种新的应用于数据采集节点的数据分割算法。编写了针对原始传感器数据的数据分析辅助软件。并且分别开发了基于有线传输的实验平台和基于wifi的实验平台。