人体行为识别技术旨在感知人行为的外在表现并根据感知结果识别出其类别,常用于移动健康看护、随身运动监测、体感游戏等。传统的人体行为识别多基于计算机视觉的行为感知技术,存在隐私的侵犯、部署繁杂等问题;在识别模型中,所有的传感器设备被当作一个整体来进行训练,当佩戴者添加新的传感器时,新传感器必须预先经过人工训练才具备识别能力,这需要花费大量人力物力,且无法与已有的传感器设备进行配合。本文为解决以上问题,研究利用可穿戴传感器设备采集行为数据,在对隐私的保护、对外在环境的忍耐性方面都有很大的优势;同时,结合迁移学习的思想,利用原有传感器节点训练新传感器节点,改进行为识别算法,提高了传感器设备间合作的灵活性,使新传感器节点具备主动识别能力。本文主要的研究内容包括以下两个方面:一、结合迁移学习和数据融合的思想,利用具备识别能力的原有传感器节点训练不具备识别能力的新传感器节点,完成了可穿戴传感器节点间知识的迁移,培养新传感器节点,使其具有主动识别能力;并且,利用节点间识别信息五元组,改进k近邻分类算法和最近距离中心算法,提高了行为识别准确率。二、利用可穿戴传感器设备采集行为数据,结合数据预处理方法和改进的行为识别算法训练识别模型,采用SpringMVC框架搭建了人体行为识别系统,完成对穿戴传感器设备的用户的行为活动进行实时监控。