如今，各种可穿戴智能设备和便携移动终端智能设备的数量爆炸增长，而且这些智能设备中配备的传感器种类日益丰富，这就为新型的物联网感知模式——群智感知，打下硬性基础。在群智感知环境下会有大量的关于用户的运动行为的数据产生，如何利用好这些数据，识别个体和群体的运动行为特征，进而反过来服务于个体和群体用户将成为新的挑战。　　近些年个体运动模式识别的研究较多，其中基于加速度数据的个体运动行为识别优点颇多，使用场景广泛，不过相关技术远未成熟，许多人体运动模式细分类问题仍不理想。为了在群智感知的大环境下进一步提高人体运动行为的识别性能，本文提出融合多种群智感知环境下产生的传感器和非传感器用户数据，来提高人体运动行为识别的识别性能。　　为了实现这个目的，本文首先优化了基于加速度数据的个体运动行为识别算法，通过提出新的特征提取方法最大频谱FFT（MFFT）系数和应用最优特征子集选择（FFS）的二叉决策树SVM多类分类算法，有效提高了基于加速度传感器人体运动模式识别的识别速度和识别率。其次基于用户个人历史运动数据的分类器，使用朴素贝叶斯分类算法，并结合个体用户的行为习惯变化特点，本文设计了自适应的，基于历史运动数据的人体运动模式识别分类算法，同时本文提出了一种结合了地理信息区域特性的个体运动模式分类器，根据特定区域内常见的个体运动模式，使用k近邻算法进行分类。最后将3种分类器融合，利用组合分类器算法设计了基于3种群智感知环境下用户运动数据的组合分类器。实验结果表明组合分类器的识别率比3个子分类器单独分类的识别率都要高，并且组合分类器的识别率稳定性明显优于单个子分类器。