近年来,基于传感器的行为识别和特定行为检测取得了极大的发展。而其中基于可穿戴式传感器的行为识别研究占据了主要地位,并给各种上层应用提供了大量的支撑,譬如在家庭健康、伤病护理等方面。利用可穿戴式的传感器能够及时获取被监测个体的传感器数据继而能够迅速高效的对该个体当前的行为活动进行识别,从而避免不好事情的发生。利用可穿戴式传感器设备会给被监测个体的正常生活带来一些不必要的麻烦,而手机传感器具有容易携带、隐藏性好等特点,正好能弥补其不足。本文致力于基于智能手机传感器的行为识别的研究,并采用隐马尔可夫模型算法实现了非特定人的行为识别系统。其中传感器噪音是本文碰到的主要问题之一,另外当前的HMM算法存在收敛慢、局部最优的问题,因而在对传感器信号数据滤波去噪和利用HMM进行算法融合是本文要解决的主要问题。本文对基于智能手机传感器行为识别的原理和主要流程做了深入分析,对于非特定人行为识别采用HMM模型,对HMM模型的三个经典问题及对应的算法进行了全面的理解和分析后,针对Baum-Welch算法收敛慢和得不到全局最优解的弱点,利用了K均值算法融合的方法进行一定的改善。对传感器数据利用滑动均值滤波和一阶低通滤波算法进行了噪音数据过滤处理并对滤波效果进行了对比分析,接着对行为识别的系统平台的整体构建及传感器数据获取、数据预处理、行为模型训练和行为识别四个模块的功能进行了介绍和分析。针对HMM算法的不足,提出了基于聚类的HMM算法和基于判别分析的HMM算法,通过实验对比了他们的效果,并将他们分别在提取了特征的数据集和只保留了9个属性特征的原始数据集上进行实验,并对实验结果做了全面的比较与分析。