随着科技发展,可穿戴设备得到快速普及,基于可穿戴设备的研究也成为了热门领域,主要有基于可穿戴传感器的数据挖掘、数据安全研究。本文主要研究了基于可穿戴设备的日常行为快速识别,以及对走路这一个动作的身份识别。目前在日常行为识别中,大多数方法为实现高精度必须以提高内存和时间消耗为代价,或者需要一个复杂的数据源。本文为了保证识别精度的同时提高识别速度,提出HL-HAR算法。这种算法主要采取了两个重要手段,LRS特征选择算法对特征进行降维以及采用H-ELM算法构建分类器。实验结果表明,LRS特征选择算法可以去除冗余特征,选择出一个最有利于分类器分类而且精简的特征向量。H-ELM算法是ELM算法的多层结构,其分类效果无论精度还是时间都有提升,可以解决计算过程中的内存消耗问题。实验采用Human Activity Recognition Using Smartphones Dataset数据集,通过本方法进行的日常行为识别,最终选取25维特征向量可以获得93.7%的整体精度。在身份识别和验证中,我们只对行走这一种行为提取相应步态数据。由于行走过程是一个不断循环往复的过程,经过预处理的数据根据周期进行分段。以极大值和极小值相结合的方法进行分段后,将数据段标准化到统一长度进行实验。本文采用DTW算法和SVM分类算法分别进行实验。将DTW算法与传统距离算法进行对比,DTW算法的识别精度更高,在83.29%。而使用SVM算法时,本文提取时域特征和频域特征相结合的特征向量利用SVM分类器分类。其中,时域特征包括均值、方差,而频域特征包括在一定频率范围内最大幅值。这一方法取得的识别精度为98.99%。在身份验证过程中,DTW算法的EER为14.42%,每个对象的等错误率在6.12%~34.62%不等,SVM算法验证结果也良好。