随着无线通信技术以及传感器制造技术的快速发展,无线传感器网络应用领域涉及生活休闲、医疗保健、军事通信、应急救灾及航空航天等方面。目前,无线传感器网络中的人体行为识别具有便携性好、成本低、抗干扰等优点,受到了人们的广泛关注。人体行为的识别方法种类很多,从数据采集方式到识别分类算法,行为识别系统中的各个环节都具有不同的特点。本文主要针对特征提取、识别分类算法进行了研究,并在公开的人体动作识别数据库上进行了实验,对实验结果进行了评估与分析。本文主要工作如下:(1)分析了基于无线传感器网络的人体行为识别课题的研究背景和意义,对基于三轴加速度传感器的人体行为识别的信号采集方式、数据预处理方法、特征提取等几个模块进行了概述和分析。(2)分析比较了SVM、KNN、NB等算法用于行为识别时的优缺点。考虑到KNN算法模型的优势,本文通过Relief F算法计算特征的权重,改进了KNN算法,通过实验分析了其改进后的识别准确率。(3)将邻近类作为局部基,在稀疏表示的人体行为识别算法中引入KNN算法的思想,给出了一种新的稀疏近邻表示分类方法。实验结果表明了这种方法可以有效弥补原算法存在的缺点,降低复杂度且得到了很好的识别准确率。(4)采用一种基于块稀疏模型的人体行为识别方法,充分利用了人体行为模型内在块稀疏结构,将人体行为识别问题转化为稀疏表示问题。通过块稀疏贝叶斯学习算法,求解待测样本的稀疏系数并进行分类,实验结果说明了该种方法能有效提高人体行为识别率。