基于加速度传感器的人体行为识别是人体行为识别领域中一个新兴的研究方向,相比于基于视觉的人体行为识别方法具有抗外界干扰能力强、携带方便、数据获取方式自由等优点。本文围绕加速度传感器信号的去噪方法、特征提取方法和分类识别方法这三方面展开了一系列的研究,主要工作包括：1、针对小波去噪方法中传统的硬阂值法和软阈值法的不足,本文提出了一种新的阈值函数,克服了硬阈值法的振荡和软阈值法的固定衰减问题,通过仿真比较说明,本文提出的方法相比较于硬阂值和软阈值法能更有效地滤除加速度传感器信号中的噪声。2、提出了一种基于标准差、偏度、峰度和相关系数的五种走路模式(站立、走路、跑步、上楼和下楼)的识别算法。实验结果表明,本文提出的特征提取方法能有效的区分站立、走路、跑步、上楼和下楼这五种不同的走路模式,用SVM进行分类时,五种动作的平均识别率达到了98%。3、针对三种相似的走路模式难以区分的问题,提出了基于小波能量和四分位间距的走路模式识别算法,细分了三种走路模式：正常走、慢走和快走。实验结果表明,本文提出的特征提取方法能达到100%的平均识别率,比传统的FFT系数提高了6.667%的识别率,从而显示出本文提出的特征提取方法的有效性。4、初步研究了基于三维加速度传感器的步态识别,提出了一种基于多种时域特征和时频特征的步态识别算法。通过SVM分类器进行分类识别,识别的正确率为95.7134%,说明了基于加速度传感器的步态识别是可行的,也是有效的。5、针对传统的支持向量机参数选择方法的不足,采用粒子群算法优化支持向量机,通过实验对比说明了粒子群优化支持向量机相比于传统参数选择方法的优越性。总而言之,基于加速度传感器的人体行为识别是人体行为识别领域一个重要的研究方向,该课题的研究具有很大的理论价值和实际意义,值得人们进行细致、深入的研究。