研究背景:网球运动是一项对技术动作要求很高的运动。在日常网球训练中,技术动作质量的有效监控对科学安排网球运动员的训练负荷具有重要意义。现行网球技术动作质量评价一般由教练员主观决定,且教练员难以兼顾多位运动员同时训练。研究目的:本研究采用惯性测量单元（IMU）采集网球击球数据,机器学习方法处理数据,从而实时识别和分类三级不同水平受试者的五种网球基本技术动作。并基于三级不同水平受试者的ITN单因素方差分析结果、技术动作可视化图像对比和分类结果建立水平评估系统。从而为教练员或运动员提供实时网球击球生物力学数据反馈。研究对象与方法:研究对象:本研究选取36名男性右手持拍受试者,按运动成绩分为精英运动员组（N=12）,次精英运动员组（N=12）和业余爱好者组（N=12）。研究方法:1.ITN:ITN测试遵循相应标准严格进行,且对三级不同水平受试者的训练年限和ITN场地测试结果进行单因素方差分析。2.数据采集:将镶嵌有三轴加速度和三轴角速度的IMU（采集频率:50Hz）佩戴于受试者持拍手手腕处,并通过无线低耗能蓝牙技术与智能手机相连接采集受试者的网球发球、正手击球、正手截击、反手击球和反手截击各30个有效球数据。再通过云储存技术将数据实时传送至终端进行数据处理。3.数据处理:ITN测试结果采用IBM SPSS 26.0进行单因素方差分析。惯性测量数据采集后经过数据预处理、分段、特征提取、主成份分析降维和利用支持向量机（SVM）、K近邻（K-NN）以及朴素贝叶斯（NB）机器学习算法识别和分类网球技术动作。研究结果:三级不同水平运动员相互之间的训练年限和ITN场地测试总分、等级以及各单项测试均存在极显著性差异（P＜0.001）;三轴加速度和三轴角速度原始数据可明确区分出三级不同水平受试者的五项网球技术动作;SVM（StandardScaler）识别和分类三级不同水平受试者的五项网球技术动作的平均精确度最高达90%。K近邻算法在K=7时精确度最高达到47%。朴素贝叶斯算法最高精确度达到64%。结论:本研究证实IMU佩戴于受试者持拍手手腕处与智能手机相连可有效采集网球击球数据,SVM（StandardScaler）能够识别和分类出三级不同水平受试者的五项网球技术动作并且精确度达到90%。基于IMU设备和机器学习可构建网球水平评估系统。