运动传感器在人们的个人移动设备上的广泛存在,催生了对人体运动识别越来越多的研究兴趣。智能手机因其配备的许多传感器正成为一个可用来识别事件的强大平台。这就提供了一个把机器学习技术运用到运动数据的机会,以识别人们的运动。在发生自然灾害时,由于灾后受损程度严重和灾后现场数据匮乏,使得整个救援难以施展,这时候若能够及时了解到受困人员的活动状态,将极大促进救援工作的展开。而识别常见的运动又能帮助人进行健康评估,发现常见疾病和运动量的关联,并且能够促使人多锻炼,从而保持很好的身体状况。多数早期的研究得益于离线的分类方法,这个方法是在移动电话上收集数据,但训练和分类过程以离线方式运行在后端服务器上。这种离线学习方式往往使用批处理算法,它在训练集上实施多轮处理直到收敛到最优模型。由于上述流程会花费一定的时间,往往会在计算机上执行这个过程。而为了构建现实的应用,应该在移动设备上进行在线分类,尤其对于涉及健康和幸福的应用程序来说,更是如此。在线分类在新数据到达时便能立即给出识别结果,从而使实时系统成为可能。本文旨在以近实时性为设计目标,构建一个基于智能手机的人体运动识别系统。在本文中,首先深入剖析了使用手机来识别人体运动的过程,然后提出了一种新的运用加速计在线识别人体运动的学习算法,将其命名为CluRF,它使用簇表示集合和基分类器来完成分类任务。为了确定这个簇表示集合的初始值和基分类器模型参数,系统预先对一个公开数据集和收集到的加速度样本进行处理,为每种运动类型数据求得由簇中心点和领域大小构成的簇表示。本文设计的系统用到了此方法,带来了三个好处:由于分类模型具有默认的参数值,用户可以不经过训练阶段就能直接使用系统;通过聚类方法,维持了每种运动类型数据的概要信息,即簇表示,它能够在识别运动时快速给出结果;为了达到更高的识别准确率,用户可以先使用训练模式,调整出适合自己的分类模型。为了实现这个系统,本文还构建了一个Android手机应用。最后,对系统的有训练和无训练这两种模式进行测试,还从准确率和执行时间两个方面,将提出的CluRF算法与其它两种分类算法进行了对比。实验结果表明,该系统不仅拥有很好的在线分类能力,而且还能快速适应用户运动状况的变化。