随着时代的进步,科技不断的发展,智能化设备在我们身边已经无处不在,渐渐被应用于生活中,比如小米的智能手环,谷歌的智能眼镜等。现在大部分智能设备都可通过调用多种内置传感器收集感知数据,并且经过严密分析实现情景感知服务、健康监测和生活记录。其中,运用较为广泛的就是利用分类识别算法对人体运动活动时产生的行为样本数据进行识别,从而判断行为类别。由于成本较低,并且识别过程不会打扰人体的正常日常生活,因此人体行为识别已被运用于健康监测、智能家居服务、运动伤害预测等重要领域。人体行为识别系统的实用性和识别精确度是影响用户体验的两个重要因素,因此,需要提取用户的哪些行为特征数据才具有代表性,怎样通过这些特征去识别这些行为,怎样能够保证在识别系统精确度较高的情况下还能最大程度地降低系统的能量消耗是十分重要的问题。本文针对智能移动设备在人体行为识别方面主要作出了如下贡献：(1)本文的第一部分提出一种考虑手势变化的基于触屏操作的用户身份认证系统,该系统无需借助额外硬件设备,只需通过手机内置传感器采集用户解锁操作的触屏加速度、触屏力度、触屏面积、触屏时间和设备方向这五个特征,与建立好的相应手势匹配模型进行特征匹配,以此来判断该使用者是否为手机主人。这种身份认证方法比较适合应用于实际生活中,通过匹配不同手势对应的模型,可以降低身份认证系统的误判率。该方法和数字密码锁分别作为智能手机身份认证的隐式认证和显式认证,两者配合使用,相当于手机的两道安全防线,弥补仅数字密码锁带来的隐私泄露不足。(2)本文的第二部分提出一种基于智能手表监测用户工作效率的系统,利用手表的内置传感器采集用户工作时手腕的行为特征,并对采集得到的特征提取子特征和规范化预处理,运用SVM分类算法训练分类器,通过算法分析判断每个时间段内的行为是否属于认真工作的表现,最终提供监测报告来告知用户工作效率的情况。(3)根据以上两项工作的基本思想,本文的第三部分研究设计基于节能机制的行为识别方法。在数据采集和处理方面,该节能机制根据不同的行为采用最佳的采样率和提取最有效的特征组合,避免因采用固定的采样率和子特征组合增加能量消耗；而在识别算法方面,采用改进的SVM多类分类的结构,并将行为发生的概率与之相结合,减小识别过程中分类器的运行次数,以此来降低识别的时间复杂度。该方法在维持较高识别精确度的前提下能够尽量减小能量消耗。本文根据以上这三个部分对人体行为识别系统的实用性和识别精确度进行了研究。