动作捕捉是指利用相应的传感器对目标物体的运动数据进行采样,记录其运动过程,然后通过计算机处理数据,最终实现对物体运动情况的分类识别或分析研究等功能的技术,其中基于MEMS惯性测量单元的运动捕捉系统能够真正实现不受场景约束的动作数据采集,在商用发展方面最具前途。当前对动作识别模型的研究主要停留在对传统机器学习算法的简单应用层面,识别算法往往只适用于特定的动作数据集,模型的迁移能力较差,为了弥补研究现状的不足,本文提出了包含“传感器信号接收-数据预处理-特征工程-识别模型”的一般化动作识别链流程,主要研究内容如下:实现了标准化的惯性动作数据预处理流程,包括简易的误差校准方案和适用的数据清洗方法,避免了MEMS器件的测量误差积累和采集过程中产生的脏数据对数据质量造成的影响。在数据预处理环节的基础上,针对离线识别和在线识别两种研究模式的需求,分别介绍了事件窗和动作窗两种分割逻辑下的动作截取算法实现。为了准确检测运动的起点和终点,利用Teager算子和高斯平滑滤波作为动作幅度指标,推导了动作阈值的参数建模方法,提出了以能量峰值为调节依据的自适应阈值确定方案,能够较为准确地截取各类有效动作信号段。为了尽可能覆盖主要的惯性运动特性,本文给出了能够表达多类动作特点的特征计算方法,具体包括统计学特征、信号时频特征和系统建模特征下共计19类特征。为了避免特征之间的实际区分效用重叠,本文基于信息增益原理提出了一套实用的特征贡献度评价指标,可以结合数据集实现对特征组合方案进行筛选调整。识别模型部分,本文讨论了传统机器学习算法作为动作识别模型的不足,基于集成学习原理,以分类回归树为基础分类模型,以boosting策略进行组合,在动作数据集上实现了极端梯度提升树的学习算法,结合特征提取策略,能够在羽毛球基础动作数据集对22类动作实现97.99%的准确率。在线动作识别方案下由于滑动窗无法精准地定位动作数据的位置,对识别算法的数据位移不变性提出了一定的要求。在此前提下提出了替代特征工程方案的深度学习方案,使用一维卷积神经网络搭建动作识别模型,在滑动窗采集方案下的平移扩展数据集上能够达到96.83%的准确率,表现出相对数据位移的鲁棒性。