人类行为识别(Human Activity Recognization,HAR)的目标是识别现实生活中常见人类活动,其研究始于20世纪80年代主要应用于医疗、保健领域。行人交通行为识别是HAR的一种,需要识别行人静止、走、跑、骑自行车、乘坐轿车、公交车、地铁和火车等多种交通行为。随着智能手机的普及,基于手机内置的多种传感器识别行人交通行为的研究得到了越来越多人的关注。目前行走和跑步的识别精度已能够达到95%以上,但对于乘坐各种交通工具和静止状态识别精度还不够,本文针对上述问题提出基于两级分类的行人交通行为识别方法,并分析了常用分类器的性能,最后在每级都采用随机森林作为分类器,使用较小的计算代价提高识别乘坐各种交通工具和静止状态的精度。通过分析随机森林各参数对分类精度的影响,选择采用贝叶斯优化算法优化每级分类器的参数。在特征提取阶段,本文分析了现存特征在识别交通工具时的缺陷,提出了频域区间能量特征的提取方法,通过新的特征更准确地分辨乘坐不同交通工具的差异。另外还根据真实场景中状态之间的转换关系,通过设置初始转移矩阵,加入了隐马尔可夫模型(Hidden Markov Model,HMM)建立状态时间序列预测当前状态,通过修正最终分类结果,提高在真实场景中的分类精度。结果表明,乘坐交通工具静止状态的分类精度都能提高到95%以上,并且对于不同行人和不同手机放置位置都具有鲁棒性。