目前，人体活动识别技术大都局限于仅使用加速度对人体运动进行识别，融合异构传感器数据进行复杂活动识别的研究很少，现有的一些融合加速度和心率进行活动识别的工作，也仅仅是在特征层进行融合。为了充分利用不同传感器采集的数据，以实现穿戴尽量少的设备来准确识别尽量多的活动的目的，本文主要研究融合加速度和生理信号的人体活动识别。首先，提出了一个日常活动数据采集架构，对日常活动进行了汇总分类，采集了相应的实验数据，并进行了预处理;然后，在人体活动特征提取和选择的基础上，提出了一种基于SVM和GMM的多通道分数级融合活动识别算法，分别通过SVM和GMM来训练不同的信号通道，并基于逻辑回归算法训练得到各通道的权重系数来进行融合。最后，提出了一种基于boosting的多通道决策级融合活动识别算法，引入了基于置信度的AdaBoost算法来训练不同的信号通道，并通过自适应加权对数优化池(WLOGP)规则进行多通道的决策级融合。生理信号的引入能有效识别仅靠加速度很难区分的活动，分数级融合能显著提高活动识别准确率，提出的boosting算法简洁快速，适用于移动端，决策级融合大大减少了传感器节点需要通信的数据量。