随着微电子、传感器技术的迅速发展以及模式识别理论的不断成熟,基于MEMS传感器的人体行为识别在近些年来得到了研究人员的广泛关注。基于传感器数据的行为识别方法具有便携性好、功耗低、抗环境干扰等优势,在运动追踪、人机交互、增强现实等方面有广泛的应用前景。早期的研究由于缺乏成熟、通用的平台型设备,因此以自行设计的穿戴式传感器设备为主。而随着智能手机等通用移动设备感知、计算能力的飞速提升,以移动设备作为载体的人体行为识别也成为了新的研究热点。但相比传统的穿戴式设备,移动设备位置和方向不固定,计算能力相比桌面平台也有很大差距,因此,还存在很多问题需要解决。本文的研究围绕以智能手机为主的通用移动设备展开。为了适应移动设备的位置变化,实现高准确率的人体行为识别,本文采集了不同设备位置下的多种人体行为对应的传感器数据,设计了一种分层的行为识别方法,该方法中包含了设备位置分类模型,以及针对不同设备位置的行为分类模型,两种模型依次衔接,通过设备位置的识别结果选择对应该位置的行为分类模型,从而给出最终的行为识别结果。论文对上述分类模型进行了训练、评估和分析,并在Android平台上对该分层行为识别方法进行了代码实现。实验结果表明,较之于不分层(即不区分设备位置)的识别方法,本文中的分层行为识别方法对人体行为的识别准确率提高了8.2%,达到93.3%。与近年来的类似研究相比,该方法在识别准确率保持同等水平的条件下,极大地提升了移动设备在识别人体行为时对设备位置变化的适应能力,能够自动适应多达8种的不同设备位置。