基于可穿戴的活动识别的智能家庭健康监护应用广泛,尤其是老年人,比如,将传感器嵌入到鞋底可以发出警报预防老年人摔倒。然而,这些研究都是在实验环境中进行,在实际应用中因为个体差异、环境噪声、活动标签定义、只能佩戴少量传感器等原因识别复杂动作存在很多困难,本文针对非实验环境的复杂人体活动识别,主要工作如下:（1）我们验证了传统算法在对非实验环境下的人体活动识别时的局限性,并对比了包括深度学习和普通监督学习方法在内的多种不同的算法,分析他们适合何种类型动作的识别。我们还基于多种角度如滑动窗口大小的影响,激活函数组合的影响,不同特征集合影响分析评价了一种典型的机器学习方法——人工神经网络。结果表明,它对持续性动态动作和静止型动作具有很强的鲁棒性,但对过渡型动作的识别度不高。（2）我们分别研究了基于传感器的融合方法与基于时域频域特征的融合方法,达到使用低水平设备进行对活动高水平的识别效果。我们对不同类型的传感器,如加速度计,陀螺仪,磁力计采集的数据进行对比,在融合不同部位,不同类型的传感器后将准确度提高,并提升了模型的鲁棒性。（3）我们设计了一个基于LightGBM（LGB）和ANN的两层混合层次模型,用于评估在自由生活环境中用于人体活动识别的具有成本效益的可穿戴智能方法。这个模型只使用少量的可穿戴设备如腰带和腕带设备模拟手环和手机的位置,并建立一个包含老年人和健康人在家庭、医院、办公室和健身房等自由生活环境中活动的非实验环境数据集。实验结果证明,我们的模型在受控和非受控环境下,性能都优于传统的学习方法。