基于惯性传感器的人体动作分析与识别是模式识别的一个新兴领域，克服了传统基于视频的动作识别的诸多缺点和限制，具有更高的可操作性和实用性。其实质是通过固定在人体特定部位的惯性传感器采集人体的动作信息，通过无线传输模块传到PC机，进而对数据进行预处理、特征提取和选择、动作分类。这些惯性传感器包括加速度计、磁力计、陀螺仪，集成在一起作为单个节点，各节点之间通过无线通信组成无线传感网络，形成运动捕捉系统，捕获人体运动信息。本文正是利用了基于惯性传感器的动作捕捉系统采集人体动作数据，从而进行动作识别。本文首先对人体运动做了系统分析，从运动生物力学角度研究了人体运动分析中的相关参数及其测量方法，明确了本文基于惯性传感器的采集方案，涉及到的人体轴面采用的是人体解剖学中的相关定义。在此基础上，分析了人体关节、环节、关节角以及姿态角，并将姿态角应用到人体运动分析中，明确了膝关节角和两腿夹角作为识别的原始数据。进而明确了人体结构和多刚体模型，并将其做了简单改进，确定了11个部位作为传感器佩戴位置。在对人体运动有了充分研究之后，本文提出了PAMS人体运动分析方法，总结了人体运动特点，即人的姿态是可测的，人的动作是相对有限的，人的行为是相对无限的，同时每个人又有自己的运动特点。从而将人体运动分析分为姿态、动作、行为三个层面，阐述了一系列姿态组成动作，一系列动作组成行为的基本思想，并利用PDM进行了数学建模分析。其次对动作层面做了具体研究，总结出了人体运动中包含有31种基本动作，其他复杂动作及行为都是由这些基本动作组合而成，并对这些动作做了具体分类定义。从总结出的动作中选择15种动作，利用基于惯性传感器的动作捕捉系统对动作数据进行了采集，并采用一种新型非关系型数据库MongoDB建立了人体动作数据库，以BSON格式将采集到的动作数据存入，以备本课题后期研究或其他单位研究者使用。最后，研究了数据预处理和动作特征提取与识别的相关算法。考虑到系统噪声，首先对原始数据进行了预处理，剔除偏离正常值较大的值，并考虑到人体动作的低通性进行巴特沃斯低通滤波，针对多维姿态角数据提取了时域和频域特征，并用主成分分析法进行了降维处理，最后用支持向量机进行了动作识别，给出了基于惯性传感器的各动作的识别率。