当前,惯性传感器已经成为智能手机和可穿戴设备上的标配。惯性传感器主要包括加速度计和陀螺仪,能够测量运动的加速度和角速度,通过计算还能进一步得到速度、位移和转动角度等数据。惯性传感器丰富了智能手机和可穿戴设备的功能,其用途也越来越广泛,如用于定位导航、健身监测、体感交互、运动分析等,基于惯性传感器的人体行为感知也成为了近年来研究的热点。本文从以下两个方面对基于惯性传感器的人体行为感知进行了研究:一是基于惯性传感器的目标行为识别。目标行为是指用户想要感知到的指定行为,例如在基于惯性传感器的定位导航应用中,用户的目标行为是脚步和转弯;而在基于惯性传感器的健身监测应用中,用户的目标行为是指定的健身动作。本文首先研究了脚步识别,从人正常行走的惯性数据中分析出周期性,脚步的识别即转化为周期的检测。其次,本文对转弯识别进行了研究,利用角速度的变化来检测转弯,并通过积分计算出转弯角度。然后,本文对动作识别进行了研究,利用模板匹配的方法可以准确地对动作分类。在上述研究的基础上,本文设计了一个基于目标行为识别的人机交互系统,利用可穿戴设备感知人的目标行为来实现体感交互,并在商用产品上实现了所提出的系统。二是基于惯性传感器的异常行为检测。在对目标动作的识别中,可能存在与目标动作差异较大的异常动作。已有的目标动作识别机制通常无法判断一个测试动作是否属于异常动作,即使是异常动作也会被分类到目标动作中的某一类,这在体感交互和运动统计等应用中是不合适的。因此,本文研究了如何基于惯性传感器检测人的异常行为,并提出了一种基于半监督学习的异常动作检测方法。该方法从惯性传感器数据中提取出有意义的动作特征,能够有效区分目标动作和异常动作。实验结果显示该方法的识别准确率可以达到89%。