利用计算机进行模式识别是当前计算机科学中的热点问题之一，目前在技术和产品等方面都有了广阔前景。如：图像识别、生理信号识别、声音信号识别等方面。　　本文所作的主要是与欧盟的合作项目SENSATION中的子项目SEFO分布式传感器方面的研究工作。SEFO分布式传感器是由很多小的刚性金属压力传感器组成的传感器坐垫，它的用途是采集人身体的压力信号，以便进一步识别出人的状态。由于SEFO传感器实物价格昂贵，所以先利用多体动力学理论创建一个人体和座垫的力学模型，并使此模型达到所要研究的六个状态，然后我们对模型产生的信号进行研究。　　在模式识别方面，为了识别出人身体的状态，在课题中使用了基于神经网络的模式识别方法。实验中发现使用其中的BP网络完全可以识别出所设定的六种状态。在设计中讨论了BP网络的网络结构对识别结果的影响，在单隐层网络和双隐层网络结构中，改进了BP算法，使算法的学习率随着训练次数而改变，这就加快了算法的收敛。同时，还对单隐层网络和双隐层网络的网络节点数分别进行了讨论，对每种网络的性能进行了比较，得出了较为优化的网络。　　由于该算法可以识别人在座垫上做不同动作所形成的压力信号，并能够取得较好的结果，满足了工程设计的要求，而且神经网络比其它建模方法更为简单，精确度更高，因此很适合本课题。　　最后，把从真实坐垫提取出来的数据进行滤波和数据预处理，然后利用已优化的几种网络进行识别，验证算法的适用性，并且对识别出的结果和误差进行了分析。