随着智能手机硬件的不断升级换代,手机上所集成的CPU使得智能手机的计算能力和处理速度越来越快,普通随身智能设备也开始装备各式各样的传感器,具有了越来越强大的环境感知能力。利用智能手机中内置的各种传感器开发出的应用越来越多地出现在人们的视野中,常见的一些应用有室内导航,发动机故障检测,脑电波检测,心跳监测,以及通过检测手部抖动进行帕金森病人的早期发现等等。本文根据日常生活中的观察发现,利用智能手机惯性传感器对环境振动回声的采样使得对物体内部结构进行探测成为可能,在经过一系列的实验和初步的分析之后,提出一种基于智能手机的物体结构探测方案,旨在方便快捷地对日常物体的内部结构进行粗略的探测,在不损坏物体内部结构的前提下检测物体的某些结构,满足人们的现实需求。本文的主要工作与贡献如下:首先,研究了手机振动信号的传播特性,根据振动信号的传播特性提出二级干扰抵消方案,有效获取振动信号中携带的隐藏着物体结构信息的回波信号,并进一步地对提取出的回波信号进行滑动平均滤波处理,去除随机噪声的影响,作为下一步信号分析的基础。在获得有效回波信号的基础上,对物体返回的带有特征值的信号进行时域和频域上的分析并提取出相关特征。在对时频域上的众多特征进行提取并经过深入的分析之后,选择了信号的时域幅值和频域功率谱作为加速度传感器用于物体结构探测的主要特征,而将磁力计测得的磁场强度平均值作为磁力计用于物体探测的主要特征。然后,针对智能手机传感器精密度较差的缺点提出了通过加速度传感器和磁力计两者的数据进行融合的方法,从而提高采样精度和决策准确度。由于磁力计容易受到较多干扰因素的影响,为了提高磁力计感测物体的精度,利用最小二乘椭球拟合对磁力计进行校准,去除硬铁干扰和软铁干扰等影响。考虑到普通智能手机运算速度的不足,为了提高物体探测的速度,本文采用分布式统计决策融合来实现加速度传感器与磁力计的融合,通过实验对比分析,相比于单独使用加速度传感器和磁力计对物体进行检测,基于分布式统计的加速度传感器和磁力计的融合算法取得了较好的检测精确度。最后,在收集了大量样本数据集的前提下,利用机器学习中分类效果较好处理速度较快的SVM算法对物体是否为金属,内部是否有空腔进行探测。在训练集中训练了SVM分类器,使用SVM分类算法对测试集进行分类识别,实现了物体内部结构的检测,得出物体内部结构识别的准确率,并将结果与利用加速度传感器和磁力计融合算法识别物体的准确率进行对比分析,结果显示两种算法都达到了较为理想的检测效果。