如今随着生活和工作的压力增大,人们越发关注自己的身心健康状况。人体行为识别在生活中占据着重要位置,在医疗,健康,娱乐,监控方面均有涉及。对获取有时效性,便捷性,可视化简单信息的需求增加,通过可穿戴设备进行人体行为识别的发展可观。传统的人体行为识别方法往往只是借助可穿戴,摄像头,录音笔等设备获取原始数据,离线分析得出结果,但这些方法得到的结果具有滞后性,获取信息,标定数据过程繁琐。如何快速便捷地采集数据,进行人体行为识别,成为了研究热点。本文提出了一种半监督在线学习,能够有效利用无标签数据内部信息,对于模型数据增强,将Tri-training与VFDT融合改进,并在不同数据集上测试,输入无标签数据,模型的分类准确率明显提升;同时相比于原本半监督框架,节省了大量的计算时间和数据存储空间。另外,将该模型合理简化后,嵌入可穿戴设备中,可进行有效的在线学习。本文的主要研究内容分为:1)设计可穿戴社交行为识别系统,并开展了对高校学生群体的运动测试实验,采集不同运动状态下的行为信号,并对数据进行特征提取,完成数据集制作。2)提出协同学习方法,应用VFDT树作为分类器,并基于其适用于数据流特点,对半监督框架Tri-training进行改进,相比于原模型,仅需少量数据就可更新模型。引入直方图算法,改变数据的存储方式,降低了数据的存储空间。在数据量不同的公开数据集与本文制作数据集上与进行客观方法对比,分析了不同结果的原因,并讨论了本文提出模型的适用场景。3)通过模拟退火算法对于高维行为特征筛选,筛选后训练模型,完成线下初始化,并将上述模型嵌入到可穿戴设备。同时,开展了基于可穿戴设备的实时识别实验,令测试者佩戴可穿戴设备连续实验,期间切换不同运动状态。将上述模型直接应用于真实数据流,完成同步在线学习与实时识别。4)将线上识别结果与模型离线数据流的分类结果进行对比,分析其异同和原因。