作为手机发展历程中一个非常重要的里程碑,智能手机不仅可以实现短信、通话等基本的功能。更重要的是智能手机拥有独立的操作系统、可实现多任务处理、无线接入互联网、扩展性能强、方便第三方软件开发,并且各种传感器的加入丰富了用户体验,并实现更多智能化的应用。有了传感器设备的加入,智能手机可应用于安全驾驶、应用于位置定位、人体行为识别情感分析、智能手机应用于医疗护理、健康状况监测等等。传感器都发挥了巨大的作用,离开了手机传感器都无法实现这些功能。本文主要研究基于智能手机的人体动作识别关键技术,并研究了传统动作识别处理流程,分别研究了数据预处理阶段、特征提取阶段、分类阶段使用的方法。重点研究分类过程使用的算法并对比每个算法的优缺点,以及不同应用场景下分类效果。考虑传感器位置对分类的影响,首先识别传感器设备位置。重点放在数据特征提取阶段,使用时域特征和频域特征,以达到更好的分类效果。分别在MATLAB环境下实现及实验,实验准确率可达到90%左右。以及开发了Android平台应用程序,能够实现在线分类,实验准确率达85%左右。在传统决策树分类算法的基础上,本文提出了一套动作识别处理过程,用于分辨静止状态、上楼梯、下楼梯、走路、跑步状态。Y轴加速度信号周期和振幅的差异,还有Z轴均值大小作为分类依据。为求信号的周期,本文提出一个求信号近似周期的算法。与常规求信号周期使用函数一阶导数和二阶导数不同,本文算法依据函数单调性原理和极值概念求得近似周期,实验证明可分辨出上楼、走路和下楼状态。实验准确率最高可达到88%。并对比不同大小处理窗口下的分类准确率,找到合适的窗口值是使分类准确率最高是以后需要进一步研究的问题。