人体活动识别是生物行为研究领域中一项极其关键的技术,其主要目的是通过一些数学方法和模型完成对人体活动进行识别,进而为临床康复和运动训练提供一些建设性的意见和指导。虽然已有大量的方法能够有效的完成时间序列的分析,但是关于足底压力和加速度信号的研究仍是人体活动分析领域亟待解决的问题。目前关于足底压力和加速度信号的数据基本上都是关于时间序列的,而复杂网络和隐马尔可夫模型具有良好的理论基础和高度的灵活性以及准确的实验结果,而被广泛的应用于时间序列数据的分析。在本文中,我们将这两种方法进行了改进,提出了两种不同的关于人体活动时间序列的处理方法,同时验证了模型的性能以及准确率。本文主要对足底压力和加速度时间序列开展了以下研究工作:1.针对复杂网络能够有效的继承时间序列的相关性质,提出了一种基于多层有限穿越可视图的人体活动识别方法。该方法将人体活动时间序列特征转换为复杂网络特征,并结合人体活动的特点,构建双层有限穿越可视图,实验表明,该方法能够有效的对不同的活动进行聚类,进而实现对不同活动的识别。2.针对隐马尔可夫模型可以处理传感器时间序列的特性,提出了一种基于多重Taylor回归隐马尔可夫模型。该方法基于多重回归背景下使用隐马尔科夫模型（HMM）对多维时间序列进行联合分割。在不需要活动标签的情况下,使用期望最大化（EM）算法在无监督框架中学习模型。实验结果表明,该方法适用于时间加速度数据。同时能够允许对人类活动进行分割和分类。3.针对Matlab与Python两种强大的数据分析处理语言,本章介绍了基于这两种编程语言设计的关于人体活动分析系统,并采用Matlab GUI和Python Django技术分别开发了两种不同研究对象的分析系统。同时,简单描述了这两类系统所搭建的框架基础,为后续的研究提供了可行的解决思路,使人体活动识别技术的应用成为可能。