无线体感网作为一种新兴的微型无线传感器网络技术引起了广泛关注。其应用领域包括医疗保健、生活娱乐、军事通信、应急救灾及航空航天等,是一项实用性很强的新兴技术。基于无线体感网的人体运动监测系统是该领域当前的研究热点。围绕无线体感网在人体动作识别过程中存在的实际问题,重点解决了信号去噪、特征提取、分类识别和数据压缩的问题,主要的工作和成果如下：1.针对传统的小波阈值去噪方法的不足,提出了一种新的阈值函数,有效地克服了软阈值法的固定衰减和硬阈值法的震荡问题。对于一些相似度很高的动作,提出了新颖的特征提取方法,有效地提高了分类效率。2.针对传统支持向量机在最优化参数选择中的问题,采用粒子群算法优化支持向量机,实验结果证明了该方法比传统参数选择方法的优越性,并且得到了比传统的BP神经网络和KNN分类器的更高的识别率。3.针对无线体感网的数据压缩问题,使用了块稀疏贝叶斯学习的数据压缩算法,该算法对不是严格稀疏的加速度信号具有很好的压缩与重建效果,与传统压缩感知算法中的基追踪算法和COSAMP算法的对比表明了该算法的优越性。4.运用稀疏表示分类器同时解决无线体感网中的数据压缩与动作分类问题,针对传统稀疏表示分类器的计算复杂度问题,提出了用邻近类作为局部基的方式,有效降低了算法的复杂度,并得到了不错的分类精度。5.设计了一套基于无线体感网的老年人日常行为监测系统,能够有效地识别常见的人体动作,并重点识别出跌倒动作。总之,面向人体运动监测的无线体感网中信号压缩与动作识别的研究具有很大的理论意义和实际应用价值,很值得进行深入细致的研究。