近些年,随着体育可穿戴智能设备的流行,人体运动的数据的获取变得不再困难,并催生出一系列跑步健身软件,引领了全民的跑步浪潮,对体育行业的快速发展起到了较大的推进作用。但大量的运动数据并未得到深度的挖掘,对其价值造成了巨大的浪费。为了使体育智能设备搜集到的数据能够更好地服务于体育爱好者,从而更有效地提高体育行业的信息化程度,本文选择人体运动识别信息处理系统的设计与实现作为主要研究的内容。通过梳理以往有关体育可穿戴智能的人体运动识别信息处理系统相关研究成果,本文提出了三层人体运动识别信息处理系统的体系结构,包括数据采集层、数据计算层和数据应用层。在数据计算层中,区别于传统的分类算法,本文提出了一种基于LSTM(Long Short-Term Memory)循环神经网络算法的分类器。作为深度学习算法的一种,LSTM具有善于擅长处理前后间隔较长且相互关联的数据和自动学习数据中特征的特点,解决了传统识别方法中存在的需要手工从数据中提取运动特征的缺陷,可以使得整个系统的结构得以精简且识别效率变得更高。本文的研究主要解决了以下问题:(1)在现有人体运动识别信息处理系统研究的基础上,提出了一种包含数据采集层、数据计算层和数据应用层的三层人体运动识别信息处理系统的体系结构,其中数据采集层进行数据的收集和预处理;数据计算层是系统的核心层,负责数据存储、分割、特征提取和运动识别分类;数据应用层用于可视化展示识别结果与运动数据。并应用软件工程方法,快速原型方法、Python计算机程序语言设计实现了基于三层架构的人体运动识别信息处理系统,通过该系统可以在web端对人体运动的信息进行输入、存储、识别和显示。(2)针对传统人体运动识别信息处理系统中需要手工挑选特征、识别过程繁琐、识别效率低等缺点,在人体运动识别信息处理系统中采用LSTM循环神经网络算法作为数据计算层中分类器的算法,能直接在基础特征上自动进行多维特征提取,避免了人工对时间序列数据时域和频域特征的提取,同时也避免了降维带来的数据信息量的损失。并使用公开数据集PAMAP2训练出具有识别日常运动的LSTM循环神经网络模型,算法的性能评估结果表明该算法有着优异的日常运动识别挖掘能力。