人体动作识别研究是模式识别领域一个新兴的研究方向,其对于智能交互、医疗健康、仿生机器人等领域的发展均有重大的意义。随着微电子技术与可穿戴设备的发展,基于单个加速度传感器的人体动作识别因其便携舒适、低成本等特征逐渐成为热门的研究方向,国内外也涌现出较多的研究成果,但其发展仍面临较多的困难与挑战。针对单个加速度传感器数据流难以划分动作起止点和实现单个动作准确识别的问题,本文以单个加速度传感器为主,辅以薄膜型电阻式压力传感器进行单个动作识别,并针对人体走、跑、跳等6种日常下肢动作与跌倒动作的识别进行了研究分析,本文的主要工作如下:(1)根据下肢运动数据采集的需求,设计搭建了一套采用无线传输,易于穿戴,可实时监控存储运动数据的人体下肢运动数据采集系统,详细介绍了硬件选型以及软件实现细节。利用这套设备采集了14名志愿者的6种日常下肢动作数据以及4名志愿者的跌倒与疑似跌倒数据用以分类研究。(2)针对加速度数据流无法划分运动起止点的问题,提出了一种基于压力的加速度数据预处理方法,可以划分动作的起止点并截取单个动作的加速度片段,实现单个完整动作的识别。在进行动作分类时,先提取了FFT与DCT系数特征,采用KNN、SVM、随机森林、朴素贝叶斯四种分类器进行分类,并对比了本文所提方法与传统滑动加窗预处理方式的分类结果,总结了各自的优劣。针对基于压力的加速度数据预处理方法对部分动作片段误分率较高的问题,增加了能量与标准差特征,并对9973个动作片段获得了最高97.01%的综合识别率。最后,采用LDA算法对冗余特征进行降维,简化特征。(3)专门针对跌倒检测方法进行研究,根据跌倒时重力在芯片坐标系的分布变化,提出了一种可以过滤掉大部分正常短暂动作并检测疑似跌倒动作的方法。对于检测到的疑似跌倒序列,为了进一步判断跌倒,使用db4小波对加速度信号进行5层小波分解,提取了第三层与第四层的小波能量,重力与z轴负方向夹角以及四分位差三种特征,并使用SVM进行二分类,对跌倒动作识别准确率达到了98.04%。总之,加速度传感器相关的人体动作识别的研究是模式识别与穿戴式计算的重要研究内容之一,未来还有许多应用方式与价值需要研究人员进行挖掘。