近年来，基于加速度传感器的人体动作的识别成为学术界及商业领域研究的热点。它通过绑定在人身上的加速度传感器采集到的加速度数据来识别人体的动作，这些动作包括走路、上楼、下楼、跑步、休息等。该研究在日常生活中有着非常重要的应用，如日常生活中运动量的评估、老年人的健康监控、恶劣环境下的身体姿态的获取等。随着集成了加速度传感器的智能手机等消费电子产品的普及，计算机的发展也进入了移动互联网时代。在移动互联网领域的发展过程中，用户行为习惯、身份信息等数据是各大互联网公司争夺的焦点，所以利用智能手机中集成的各类传感器随时随地地挖掘用户的实时信息是一个非常值得研究的课题。另外，人体动作的识别在用户行为分析、广告定向投放等方面有着非常重要的意义。　　当前基于智能手机的动作识别研究中，手机位置不固定是导致动作识别率低的主要原因。针对该问题，论文的主要研究内容包括位置无关的特征提取方法的研究、位置不固定时的迁移学习方法研究、基于Android手机的原型系统的设计与开发。首先对当前的主流的特征提取算法进行了介绍，并通过实验对当前特征提取算法在手机位置不固定时的识别率进行了分析。该实验结果表明，使用时域特征和频域特征时的动作识别率最高。　　其次，在介绍了特征提取方法的基础之上，提出了改进的动作识别迁移学习方法TransConfi。与当前的迁移学习方法相比，该方法使用可信度加权平均的方法计算聚类的聚心。这种方法可以大幅降低分类错误的结果对初始聚心的影响，从而提高分类器迁移之后的动作识别效果。　　最后，论文设计并实现了一个基于智能手机的动作识别原型系统。该系统包括原始数据的采集、分类器的训练、动作的识别与自适应、用户信息管理等主要功能。该系统不仅可以用于当前动作识别的研究，还可以为相关商业产品的开发提供一定的参考。