随着我国全民健身意识的不断增强，人们逐渐将健身运动作为日常生活的一部分，并且为了能够更加科学规范地进行健身运动，通常在运动的同时记录当前健身数据从而进行统计和分析。随着传感器技术的逐渐成熟，可穿戴设备中可以嵌入多种传感器，通过这些传感器可以对用户的健身运动进行非干扰、持续性的监测。本文针对在使用可穿戴设备的情况下，如何精准地识别健身场馆中的健身运动进行了相关研究。目前的健身运动识别方法里主要存在以下两点问题:1）健身运动的精准识别问题。现有的可穿戴设备只能识别走路、跑步等差异性大的运动，但是对于一些健身场馆中的相似运动（例如高位下拉器与哑铃）无法精准地识别。2）不同数据特征分布空间下的健身运动识别问题。当可穿戴设备的佩戴位置和方向发生改变时，会造成相应设备上的数据特征分布空间的改变，从而不能使用已有的模型来对新特征分布空间中的数据进行识别。　　本文发现健身场馆中用户在锻炼的过程中可穿戴设备与健身器械之间存在运动的相关性。例如在使用高位下拉器时，器械上的配重盘会随着用户的下拉而产生向上的运动趋势。因此在健身器械上放置智能贴件来获取健身器械上的运动数据，挖掘可穿戴设备与健身器械之间的相关性信息，建立两者之间的对应关系从而精准地推断出用户正在进行的健身运动。根据上述思路本文提出了将可穿戴设备和健身器械上的多源数据进行结合，进而识别健身运动的方法，具体的包括以下三个方面:　　首先，提出了多源数据相关的精准健身运动识别方法。现有的健身运动识别方法大多是利用可穿戴设备中的传感器获取用户的运动数据，而单一的可穿戴设备不能为精准的健身运动识别提供充足的数据。本文结合可穿戴设备和健身器械的运动数据，使用皮尔逊相关系数和动态时间规整来获取两者之间的运动相关性，精准识别出用户正在进行的健身运动，并通过实验验证了具有很好的识别效果。　　其次，提出了基于特征迁移的健身运动识别方法。当用户改变设备佩戴的位置或方向时，新采集的数据特征空间发生改变，导致了原有的运动识别模型无法适用于新数据的问题。本文首先提取不同数据分布空间中的特征，然后利用迁移学习将不同的分布空间中的数据特征迁移到相同的新空间中，并在新的特征空间下利用机器学习的方法重新建立分类模型，进而对当前的观测数据进行分类识别。实验结果表明，使用迁移学习方法可以很好地解决可穿戴设备佩戴位置与方向发生改变时的健身运动识别问题。　　最后，设计并实现了多源数据相关的健身运动识别系统。系统针对健身用户在锻炼过程中记录运动情况的实际需求，实现了健身场馆中的多种健身运动识别功能，并且在识别的过程中不会对用户正常的健身运动造成干扰。