可穿戴计算以一种“人机交互”的新型计算模式,实现了人类社会与信息环境、物理环境的连通,在军事、公共卫生、电子消费、体育、教育等众多领域都有着广泛的应用,现已成为学术界和工业界的研究热点。人体行为识别技术是可穿戴计算中重要的研究分支。本文针对基于运动传感器的人体行为识别算法开展创新性工作,对加速度传感器的数据采集、数据预处理,机器学习分类模型以及行为识别算法展开研究,主要研究内容包括:(1)探索了利用智能手机内置的运动传感器采集人体行为活动数据,对获得的三轴加速度传感器数据进行预处理,去除噪声并对数据进行片段分割;(2)针对人体行为活动中典型的行走、上楼、下楼、坐、站立和跌倒这六种行为,分别进行了时域和频域特征提取,并对这六个行为的时域和频域特征两两对比分析,得到了更深层次的特征区分细节,建立了各人体行为活动的特征数据集;(3)在传统人体行为识别支持向量机模型的基础上,将支持向量分类机与二次核函数理论相结合,通过理论分析构造出了二次核支持向量分类机模型,进而提出了基于二次核支持向量分类机模型的人体行为识别算法,与现有的基于随机森林分类模型的人体行为识别算法相比,本文算法的识别精度更高。