体感网是传统无线传感器网络在人体躯域监测中的应用。体感网提供了一种全新的人体监测技术,能够有效改善人体健康监护的质量,弥补现有医疗服务中存在的不足。使用体感网监测人体动作是体感网的重要应用之一。通过佩戴在人体躯体上的惯性传感器节点,体感网可以采集人体的运动信号,通过分析这些信号识别人体动作。主要已有研究包括应用体感网识别人体日常动作、监测跌倒动作、分析人体步态、估计人体日常运动消耗、辅助体育训练等。本文在详细总结国内外已有研究内容的基础上重点研究以下问题：1.在人体动作识别中,需要选择合适的方法融合不同传感器节点的数据。目前已有数据融合方式没有充分挖掘不同传感器节点之间的关联。本文提出了一个基于耦合隐马尔可夫模型的人体动作识别方法,能够对含有多个相互关联数据链的随机过程进行建模和统计分析,每个数据链对应一个传感器节点,描述一个身体部位的运动特征,不同数据链之间的转移反映了不同身体部位的协同配合。2.目前已有动作识别方法缺少增强学习的能力,无法根据新增训练数据快速更新已有分类器的参数来提高分类结果的精确度。本文提出了一个基于概率神经网络和可调节模糊聚类算法的增强学习方法,该方法通过初始训练数据集建立一个概率神经网络,当有新增训练数据集时,使用可调节模糊聚类在新数据集中学习新的人体动作特征,将新增人体动作特征添加到已有概率神经网络中。3.加速度传感器是体感网在监测人体动作时最常用的器件之一。加速度传感器的缺点是测量过程受到传感器固定位置和固定方向的影响。本文提出了一个加速度信号的矫正方法,通过Gram-Schimdt正交化准则生成一个矫正矩阵,将加速度信号从误差坐标系矫正到标准坐标系下从而消除固定误差,通过低通滤波的方法降低加速度信号中转动分量的比重,从而降低加速度信号对于固定位置错误的敏感度。4.惯性信号是体感网监测人体动作的常用方法。为了进一步扩展了体感网的应用范围,本文提出了一个基于惯性信号的人体腹部训练监测方法。本文以腹肌双桥运动为例展开研究,使用朴素贝叶斯分类器识别不同双桥运动,根据动作识别结果采用不同的径向基神经网络建立惯性信号与肌电信号之间的对应关系,实现对双桥运动的监督。