人体动作识别是人工智能和模式识别领域的重要研究课题,在智能人机交互、智能监控、健康监控及人体运动能量消耗评估等众多领域,都有着重大的理论研究意义与广阔的发展前景。随着加速度传感器技术不断进步和发展,基于加速度传感器的人体动作识别受到更加广泛的关注,成为了研究的热点问题。近几年基于加速度传感器的人体动作识别已经由理论阶段逐步迈向了实际应用,取得了较大的发展。但是它仍然处于比较基础的时期,由于现实环境中存在很多的影响以及人体动作的多种多样,在人体动作识别中仍然存在很多需要解决的问题,包括如何针对实际应用设计合理的特征提取和更有效的特征选择方法,如何使动作识别分类器的分类识别精确度高、复杂度低,并有较强的泛化能力,如何使得识别方法的分类识别性能好。基于以上几个问题,本文主要提出了三个方面的研究工作:(1)在特征的提取和选择中,引入并分析了平均值、标准差、峰度、偏度、四分位差及三轴间的相关系数六个人体动作加速度特征,通过结合这六个特征对获取到的加速度数据进行训练和识别。(2)在分类器方法中,提出了样本特征边界加权支持向量机(Weight Features Weight Bounds Weight Support Vector Machine,WFWBWSVM)的分类器方法。该方法是在支持向量机(Support Vector Machine,SVM)的基础上,对分类器的分类边界进行了加权,并结合了对分类样本加权和对分类核函数特征加权,从而得到了更适合人体动作识别的WFWBWSVM的分类器。(3)在分类识别的过程中,通过引入有向无环图支持向量机(Directed Acyclic Graph Support Vector Machine,DAG SVM),根据分类器中训练样本集之间特征差异的大小,对分类器进行了分布排列,从而获得了基于特征差异的DAG SVM。对于本文提出的这三个方面的研究工作,利用实验验证了这些工作的可行性和有效性。