近年来,随着可穿戴计算的不断发展,基于惯性传感器的人体动作识别已逐渐成为模式识别领域内一个新兴的研究方向,它与传统的基于计算机视觉的动作识别相比,实时性更好、局限性更小、应用范围更广。基于惯性传感器的人体动作识别的本质是通过一个或多个MEMS惯性传感器单元获取人体的运动数据,并对这些数据进行预处理、特征提取和选择,最后选择合适的分类识别算法对人体所执行的动作进行分类和识别。基于惯性传感器的人体动作识别技术在近些年一直受到研究者的关注,但是由于人体动作的复杂性和客观环境的多样性,导致人体动作的识别存在亟待解决的问题,如数据库的建立、特征提取的有效性和分类算法的高效性。本文围绕以上问题展开研究,主要工作如下:1.通过大量运动视频资料对人体动作进行研究,在此基础上将人体动作进行分类和定义。2.通过人体关节姿态角对人体动作进行表征,并利用基于惯性传感器的人体动作捕捉系统对人体动作数据进行采集,再使用MongoDB数据库进行数据的存储。3.结合人体动作数据的特点,采用了适合的预处理方法,并提取了时域、频域的特征,采用主成分分析法对特征值进行降维,为后续的识别算法打下基础。4.利用在语音识别中取得成功应用的隐马尔科夫模型对人体动作进行识别,并对于该方法进行了实验及数据分析,验证了该识别方法在识别准确度上的优势,即证明了其有效性。