利用传感器设备采集姿态数据是进行人体动作识别研究的首要且重要的步骤。根据人体姿态识别研究的需求，传感器的种类变多，性能也不断地提升。不同种类的传感器记录人体动作行为的不同特点，应用时将传感器佩戴在人的身体部位较为方便。可佩戴的身体部位有手部、腿部和腰间等，其中腰间的数据对于表述人体的姿态行为特点具有较好的效果。人体动作识别研究的成果可以应用于健康管理、游戏互动和室内人体定位等各个方面。　　本文正是基于上述背景，在国家重点研发计划的资助下，进行人体动作行为的识别方法研究。数据来源于佩戴在人体腰间的MEMS传感器，使用的传感器包括三轴加速度计、三轴磁力计和气压计等。通过分析动作行为传感器信号的特点进行特征提取，结合分类方法的优化选择，对特定的人体动作行为进行有效的分类和识别。文章主要内容包括以下几个方面:　　对传感器数据进行特征分析:时域特征、频域特征和时频特征。由于动作行为信号的非平稳性，时频特征能更好的表示信号的频域特征。根据动作行为的特点选择合适的特征。分析几种常用的分类方法，在人体动作行为识别的仿真分析中将SVM的分类结果作为对比。本文根据识别的动作种类采取合适的分类方法:一是利用AdaBoost组合分类方法的高精度和算法简单的优点，进行原地踏步和走路的行为识别;二是对BP神经网络算法进行优化，提高其在姿态分类时的精度和稳定性。　　基于AdaBoost组合分类方法进行室内原地踏步和走路的动作识别。提出识别时的重要特征:磁场特征。对加速度信号采用时域特征和时频小波特征;对磁场强度信号采用反映出场强变化信息的时域特征。采用十折交叉验证方法进行仿真验证，原地踏步的分类精度超过95％，走路行为的分类精度超过96％，具有很好的分类效果。　　基于人工蜂群算法，优化BP神经网络创建中阈值和权重的计算。利用优化的BP神经网络算法进行平地运动、上楼和下楼运动的识别。对加速度信号提取时域特征和时频小波特征;对气压信号提取合适的时域特征。采用十折交叉验证方法计算分类结果，三种运动的分类精度均超过95％;通过重复实验，验证优化的BP神经网络算法的高分类精度和稳定性。　　在十种常见的人体姿态识别的研究中应用人体动作识别方法。通过分层分类和AdaBoost在关键姿态识别中的应用，进行姿态分类。将分类算法移植到终端设备中，通过设计测试实验验证识别方法的效果。原地踏步的识别准确率超过90％，走路的识别准确率超过96％。