当前,人们采用嵌入式传感器积累了大量人体行为数据,识别的人体行为包括:日常行为(走路、上楼、下楼、静坐、慢跑)及异常行为(跌倒)。通过使用机器学习技术应用于人体运动数据的分析,为人体健康提供科学有效的运动指导,具有重要的应用价值。为此,本文的主要研究工作如下:首先,综述和分析目前人体行为识别的国内外研究现状,对比分析后,选用了加州大学欧文分校的机器学习公开数据库(http://archive.ics.uci.edu/ml/),进行人体行为识别。然后,对原始数据进行预处理。对原始数据进行滤波、加速度分解、信号加窗、数据归一化处理,便于后续特征提取。接着,分析运动特征并对特征进行降维。分别从时域和频域分析数据,提取特征。在特征降维方面,对基于面积的灰色绝对关联模型进行了研究和改进。针对灰色绝对关联模型在积分过程中,存在的正负面积相互抵消的问题,从相对变化面积角度出发,对其进行改进用于降维,改进后的模型有效提高了特征选择的可靠性。然后,设计分类算法。通过分析人体日常行为和异常行为特征,首先进行跌倒行为识别,设计了基于阈值的分类算法和基于四种机器学习的分类算法。然后进行日常行为的识别,设计了基于机器学习的分类算法。通过算法评价指标,对比不同分类器的分类效果。针对上下楼两种较难区分的行为,研究使用两种新特征进行进一步区分,新特征的使用有效地提升了上下楼分类识别率。同时,设计强分类算法。针对基于机器学习算法训练的分类器中,单个分类器分类效果不佳的情况,提出使用AdaBoost算法训练单个弱分类器,使其通过不断迭代,最终训练成强分类器,强分类器的使用提升了行为间的分类效果。最后,优化分类模型。针对AdaBoost在日常行为多分类中存在的不足,利用卷积神经网络较强的特征分析能力,使用卷积神经网络和支持向量机相结合的算法,进一步提升日常行为的分类效果。