随着社会的发展和科技的进步,越来越多的人开始关注人体健康。实时、准确、高效的人体姿态识别,可以被广泛应用在个人与家庭的健康监护、人机交互、医疗康复、虚拟现实、舞蹈采集、影视制作与步态识别等方面。近年来日益普及的智能手机,已经成为人们日常生活的重要组成部分;种类繁多、功能强大的嵌入式传感器使得智能手机成为一个无处不在的数据获取和分析平台,这也为高效的人体姿态识别提供了巨大的潜力,因而通过智能手机传感器进行人体姿态识别成为一个重要的课题研究。智能手机在日常使用的过程中,智能手机位置多变,同时导致智能手机惯性传感器三个坐标轴的指向无法确定。已有的相关研究中广泛采用固定位置的人体姿态识别,这种方法对传感器所在位置要求严格,因此对智能手机传感器的人体姿态识别并不适用。针对以上问题,本文在领域已有相关研究的基础上,以智能手机传感器为基础,探讨不受位置约束的人体姿态识别问题。在此研究中,采用地球坐标系作为人体姿态的参考坐标系,通过加速度、陀螺仪与磁力计传感器的数据融合并利用四元数法解算对应的旋转矩阵,将载体坐标系的传感器数据转换至地球坐标系,从而解决了智能手机在日常使用中传感器三轴指向无法确定的问题;再以地球坐标系上的传感器数据为基础,扩展了传感器的时间序列,并基于时间序列提取了刻画姿态的相关特征;针对高维特征,设计了过滤式组合特征筛选方法,去除了无关与冗余的特征,得到了表征姿态的最优特征子集;最后基于最优特征子集构建了人体姿态识别模型。本文主要研究内容如下:（1）设计并实施合理的人体姿态实验,将3个智能手机分别放置在实验者手中、上衣口袋与裤子口袋;采集了 12名在校大学生7种日常姿态下的加速度、磁力计和陀螺仪传感器数据。针对采集到的传感器数据,采用滑动均值滤波进行预处理,去除采集过程中的噪声和干扰。（2）通过传感器数据融合的四元数法解算出载体坐标系和地球坐标系之间的旋转矩阵,将载体坐标系的传感器数据转换至地球坐标系,同时意味着将人体姿态的参考系从载体坐标系转变为地球坐标系,从而解除了传感器三轴指向不确定对人体姿态的影响。通过扩展时间序列,组成共22组人体姿态相关的传感器数据时间序列;针对这些时间序列,设定每次人体姿态判别的时间窗为6s、重叠50%;并基于人体姿态的时间窗提取了 12个时域特征和12个频域特征。最后为了消除特征之间的量纲差异,通过反正切将所有特征进行映射,实现特征之间无量纲化。（3）针对高维特征中大量的无关与冗余特征,设计了一种基于ReliefF与FCBF算法的组合过滤式特征筛选算法。首先通过ReliefF算法计算特征与标签之间的权重,去除低于阈值的无关特征;再利用FCBF算法计算特征之间的相关性,去除特征之间存在强相关性的冗余特征。通过组合过滤式特征筛选算法,筛选出共21个表征人体姿态的特征,从而减少了特征维度,减少了特征计算的时间。（4）基于特征筛选的最优特征子集,采用十折交叉检验和网格寻优方法搜索xgboost算法的最优参数,并基于最优参数与最优特征子集构建人体姿态识别模型,该模型对不受位置约束的人体姿态识别率可达95.65%。