人体活动识别(Human Activity Recognition,HAR)是普适计算中重要的研究领域,广泛应用于人机交互、医疗诊断和异常行为识别等领域。基于环境感知的HAR,其传感器(如摄像机、红外传感器)部署环境受限,仅适用于特定场景。基于视觉感知的HAR技术监控范围受限,并且容易暴露用户隐私,导致该技术很难应用推广。基于可穿戴感知的HAR技术可运行在室内和室外环境,但在身体上部署多个传感器存在成本高以及会给穿戴者带来不适等问题。近年来智能手机日益融入人们的日常生活,成为人们生活的必备品。随着机械电子技术发展,各类高精度传感器日益小型化,使得智能手机在计算能力、存储空间快速增强的同时,集成了越来越多的传感器,例如3轴加速度计、陀螺仪、磁力计、温度计和气压计等。对此,本文利用智能手机强大的运算功能和感知能力,研究基于智能手机多传感器数据融合的HAR技术。主要工作和成果如下:(1)采用笛卡尔坐标系建立了基于3轴加速度、角速度和磁力计的人体活动模型,并提出了人体活动识别框架。该框架通过数据过滤、归一化和滑动窗口实现多模态人体活动感知数据的预处理和特征提取。(2)针对智能手机采集的人体活动多模态数据,首先从时域、频域进行特征提取,并通过主成分分析方法进行特征选择;其次,通过设计Stacking集成算法对采集的多模态数据进行训练,得到了较优的人体活动识别模型。(3)设计实现了多传感器数据融合的HAR系统,并采用Mobi Act公开人体识别数据集进行实验测试,并与其他算法的实验结果进行了对比分析。实验证明,本文算法能准确识别站立、走路、慢跑、上楼、下楼和骑车等日常活动,系统平均准确率达到99.0%,平均敏感度和平均特异性分别达到99.0%和99.8%。其识别准确率高于Adaboost、随机森林、支持向量机、k-NN等算法。本文利用智能手机的3轴加速度计、陀螺仪、磁力计和气压计,设计实现了人体活动识别系统。该系统具有使用方便、识别准确率高等优点,具有良好的应用前景。