基于加速度传感器，特别是智能手机内嵌的三轴加速度传感器的人体动作识别是普适计算和移动计算领域的一项重要研究。其研究成果在医疗卫生、生活服务、商业服务、公共管理等领域有着非常广阔的应用前景。　　在设计面向多用户系统的动作识别算法时，为了能充分满足用户模型的个性化需求，研究者往往采取对每个用户单独采样并独立训练模型的方法。这就需要大量的训练样本采集和人工标注工作，容易增加用户的负担，影响应用的易用性。而且由于各个用户的动作模式之间实际上仍存在着一定的相似性，所以单独为用户训练个性化模型的方法还存在着重复的学习过程，这会降低为新加入用户训练个性化模型的效率。　　针对以上问题，本文在当前研究工作的基础上提出了一种具有较低采样需求的高效用户个性化模型训练方法，包括以下两部分:　　1)首先在离线阶段，提出了基于相似用户的集成训练算法用于构建初始动作识别模型。该算法能仅根据少量生理信息，挑选出可能与新用户动作模式相似的多个用户模型组成集成模型，代替作为新用户的初始动作识别模型。这不仅节省了训练采样的代价，也有效减少了训练冗余。　　2)然后又在在线阶段，提出了基于相似用户的协同训练算法。该算法利用离线阶段得到的相似用户集成模型在线进行协同训练，进一步扩展了模型的自动学习能力。　　最后通过实验证明，在完全无需训练采样的前提下，使用本文所提出算法训练的相似用户集成模型比通用模型的预测准确率平均提升了约1.19％，尤其是在最坏情况下的识别准确率达到了12.22％的提升;在在线阶段阶段，经过相似用户协同训练更新后又将集成模型的预测准确率平均提升了约0.256％，而且表现出了比自适应算法更稳定的性能。