随着物联网的发展,人机交互概念得到进一步的拓展,人体活动信息需要及时的被采集,并得到有效的处理和识别,来进一步辅助和支持人类行为活动,因此,如何在当前背景下更有效的进行多传感器人体活动识别是一个非常重要的研究方向。研究人员对简单运动模式与长时间段的复杂活动展开了多项研究,而基于多传感器的交互性活动的研究仍然较少。多传感器交互性活动拥有短暂性、连续性、交互性的特点,适用于简单运动模式的模型往往不足以表征其丰富的活动特征;而相较长时间段的复杂活动模型,交互性活动的细粒度更高,时间跨度更小,具有一定的识别难度;针对多传感器交互性活动识别,现有算法还有待改进,性能还有待提升,因此本文对多传感器交互性活动进行研究,论文主要工作如下:1.对多传感器的人体活动识别技术进行了分析和总结。论文对人体活动识别的发展背景、国内外研究现状进行阐述和总结,对人体活动识别多种相关技术理论进行介绍。2.多传感器交互性人体活动识别,涉及到人与物体、人与环境相融合的问题。论文针对多交互性活动特有的时空交互性、短暂性、连续性等特点,提出了一种基于窗口预处理的、分组残差联合空间学习的人体活动识别算法。一方面,针对数据预处理过程中的滑动窗口处理方式对人体活动识别的影响进行了实验分析和实验对比,包括不同滑动窗口大小和覆盖率等;另一方面,基于多传感器交互性活动识别的窗口预处理结论,进一步利用分组残差联合空间学习算法进行活动识别与分类,并设计多组对比实验,分别对网络模型、损失函数、分类器等进行了优化。最后,在Opportunity活动数据集上进行对比试验,算法性能超过了相关的state-of-the-art活动识别算法,进一步验证了基于窗口预处理的、分组残差联合空间学习的多传感器人体活动识别算法的有效性。3.论文结合窗口预处理的分组残差联合空间学习算法,进一步开发了基于多传感器的人体活动识别系统。识别系统可划分为分类系统和后台管理系统两个子系统。其中,分类系统主要用于普通用户对活动数据进行分类算法的使用,后台管理系统主要用于非开发管理人员对于后台数据的可视化管理。