自20世纪80年代初期以来，识别人的运动姿态就成为一个有前景且有价值的研究方向。过去十年，传感器技术迅猛发展，特别是低功耗、高性能的小型化传感器取得了巨大的进步，使识别人的运动姿态最近受到越来越多的关注。不断涌现出的各式各样的传感器为人体姿态识别(HAR: Human Activity Recognition)提供了新的契机，特别是嵌入在大众化移动设备里的传感器已被广泛使用。本文基于手机加速度计和陀螺仪设计并验证一套人体姿态识别系统。　　极限学习机(ELM:Extreme Learning Machine)学习速度快，输出形式简单，本文用此实现人的运动姿态识别，主要工作总结如下:　　1.本文使用基于Fisher准则和特征聚类的方法进行特征选择，选出能描述特征空间数据分布特性的特征子集，以减少分类难度、提高学习效率。　　2.考虑到ELM因隐层节点参数随机造成的不稳定性和不支持在线学习，本文设计了基于在线序列学习方法的核ELM分类器。并使用该分类器对走路、上楼、下楼、站、坐、躺进行了识别。优化后，学习时间无明显增加，分类精度提高约9％。　　3.考虑到可以对静态动作和动态动作分开识别，设计了一种进一步优化的两级分类算法。第一级分类器用于区分静态类和动态类动作，然后用第二级分类器分别识别这两类动作。经过分级识别优化后，分类精度提高约1.5％。