乒乓球运动中有很多不同类型的挥拍动作,准确识别这些运动模式对于挥拍动作的分析有着重要的意义。随着人工智能技术的发展,从机器学习到深度学习,从可穿戴传感器到视觉传感器,人体动作识别近些年取得了很多突破。但乒乓球动作识别的工作还不多,且方法还主要集成在传统机器学习领域。针对此现状,本文将MPU9250加速度传感器作为乒乓球挥拍动作采集装置,对四种常见挥拍动作的三轴加速度数据进行了研究。与机器学习领域中很多识别任务不同的是,人体动作具有很强的时域特点,如周期性,且不同时刻数据上的关联性很强。此外,人体动作比较复杂、存在很强的个体差异性。如何有效提取人体挥拍动作的特征,设计合理的识别分类器以及如何提高分类器在不同个体上的泛化能力都是值得探讨的问题。针对以上问题,本文开展了相关实验并完成了以下研究内容:1、针对挥拍动作的特点,合理放置传感器的位置,并对采集数据进行处理,探索了挥拍动作的在时域中的高效表达。2、将传统机器学习算法(决策树、随机森林、支持向量机)应用到挥拍动作分类上,并设计了一种基于集成思想的分类算法。该集成学习算法能有效区分四种挥拍动作,实验结果表明,本文设计的集成学习算法要优于传统机器学习算法,并实现了94.25%的平均识别准确率。3、设计了一种基于时序卷积网络的乒乓球挥拍动作识别算法,利用因果卷积和膨胀卷积技术设计了一种针对乒乓球挥拍动作识别的时序感知网络。该网络能有效提取挥拍动作在时序上的特征,最终实现94.73%的动作识别率。此外,本文还比较了时序卷积网络与传统机器学习算法在处理过程和性能的差异,并给出了相应的实验分析。