超宽带(Ultra-wideband, UWB)技术具有多径分辨能力强、穿透能力强以及功耗低的特点,广泛应用于障碍物检测以及目标识别等领域。同时,伴随着人机交互需求的发展,关于人体姿势识别的研究越来越多。本文结合机器学习的理论,提出了挖掘UWB信号传感信息来识别人体姿势的方法。针对基于支持向量机(Support Vector Machine, SVM)的人体姿势识别、改进的混沌自适应遗传算法以及人体姿势识别验证平台三个方面展开了研究,主要工作如下：针对基于SVM的人体姿势识别问题,为了有效提取8种动作UWB信号的传感信息,重点分析了基于小波包分解的特征提取方法。首先,利用小波包分解求出各个频率成分,计算每个频段的能量和,最后得到归一化的小波包能量分布特征。结果表明,小波包能量特征具有良好的可分性,能够显著提高姿势识别的准确率。针对SVM的参数对识别性能影响较大的问题,利用改进的混沌自适应遗传算法对SVM参数进行了优化研究。考虑到标准遗传算法中交叉和变异概率需要预先确定且在算法中维持不变,当整个种群适应度比较接近时,进化将会变慢。本文提出了改进的混沌自适应遗传算法(Improved Chaos Adaptive Genetic Algorithm, ICAGA),它采用动态的交叉和变异概率,且对种群中具有最高适应度的个体进行给定步数的混沌优化搜索,从而指导整个群体向最优解方向进化,改进了遗传算法可能陷入局部最优解的缺陷,并加快了搜索速度。将改进的遗传算法优化应用于人体姿势识别,结果表明,改进算法可以提高SVM的参数寻优速度。在上述分析研究成果的基础上,结合MATLAB的GUI仿真平台,设计开发了基于UWB与SVM的人体姿势识别验证平台,实现了对人体姿势的识别。论文最后对全文工作进行了总结,并对人体姿势识别的相关研究提出了展望。