近年来,随着医学、药学、神经科学技术的快速发展,动物行为学在现代生命科学的研究中变得举足轻重。由于基于传感器的识别技术具有成本低,不易受环境影响等特点。因此,本文以大鼠为研究对象,通过搭建可穿戴的行为信息采集系统与构建大鼠行为模型,实现对大鼠行为的识别。首先,搭建以九轴惯性传感器IMU为核心的可穿戴行为信息采集系统,实现对大鼠行为信息的采集、传输以及存储。通过微处理器搭载IMU的行为信息采集装置,对大鼠的行为信息进行采集;通过低功耗、抗干扰能力强的Lo Ra无线模块,将行为信息传输到上位机;设计基于QT的上位机界面,实现对大鼠行为信息的解析与存储。其次,通过基于多信息融合的方法,实现了大鼠行为信息去噪及特征提取,将含噪声的、连续的、复杂的行为信息映射为简洁的、可表征大鼠行为的特征向量,并构建多信息融合的大鼠行为数据集。通过数据预处理,将大鼠行为信息规范化与离散化;设计基于PCA的特征融合方法,简化行为特征的复杂度;通过特征向量与样本标签构建多信息融合的大鼠行为数据集。再次,对基于机器学习的大鼠行为识别算法进行了研究与分析。分析了SVM、RF、KNN三种机器学习算法。根据实验得出,在三种机器学习模型中,SVM模型识别率高于RF模型和KNN模型。最后,提出了一种基于PSO-RBFNN的大鼠行为识别算法,验证了PSO-RBFNN算法的性能优势。利用PSO优化算法对RBF神经网络进行优化,建立PSO-RBFNN模型;对比PSO-RBFNN模型与RBFNN模型,验证了PSO-RBFNN模型拥有更高的识别率与更快的收敛速度;对比PSO-RBFNN模型与SVM模型,验证了PSO-RBFNN模型的性能相比于SVM模型更优。