近年来,新兴体域网技术在医疗康复监测、影视及游戏制作、专业动作分析等领域得到广泛关注和应用。当前相关研究大多采用稀疏表示分类算法解决体域网动作模式识别问题,但其中存在过完备字典规模过大、稀疏表示系数误差较大等问题,导致识别效率低下。本文尝试采用字典训练算法、(联合)稀疏表示分类算法、协作表示分类算法等解决上述问题。本文主要研究工作如下:1.传统稀疏表示分类算法中所采用过完备字典由大量高维动作数据拼合而成,导致字典规模过大,影响体域网动作模式分类算法性能。而且测试样本稀疏表示系数残差大多由简单平均叠加方法计算得到,难以逼近不同动作模式在空间中的分布状况。针对上述问题,本文提出了一种基于K-SVD的最大似然稀疏表示体域网动作识别算法,该算法基于K-SVD优化学习算法,将不同动作模式训练样本按其所属类别分组优化训练,避免各类样本数据训练时互相干扰,得到不同动作模式类别所属的子字典,然后将其拼合构成一个完整字典,准确稀疏表示测试样本,最后基于最大似然稀疏模型准确估计稀疏表示系数,判定测试样本所属类别。实验结果表明,所提算法动作识别率明显优于传统稀疏表示动作分类算法,可有效提升体域网动作模式分类性能;2.传统稀疏表示分类算法在处理多传感器动作数据过程中,通常将不同传感器所记录的人体动作数据看作是相互独立变量,无法充分发掘和有效利用多传感器动作信号之间存在的关联特性。本文采用联合稀疏表示分类算法处理多传感器动作数据,并改进D-KSVD算法优化设计过完备字典,提出了一种基于D-KSVD的联合稀疏表示动作识别算法。该算法基于改进D-KSVD算法将不同类别动作模式分开训练获得各类别所属子字典,避免了不同类别动作数据相互干扰,并提升字典判别性能。随后采用联合稀疏表示分类算法估算测试样本基于过完备字典的稀疏表示系数,判定测试样本所属类别。实验结果显示,所提算法充分发掘多传感器加速度数据之间存在的时空相关性信息,有效提升体域网动作模式识别性能;3.传统稀疏表示分类算法用于识别多传感器动作数据时效率较低,为了减少体域网动作识别所需时间,本文基于最近邻思想重新构建规模更小的过完备字典,并结合协作表示提出了一种快速鲁棒协作表示动作识别算法,该算法首先基于最近邻原则寻找测试样本的近邻类别和近邻样本,重新构建训练样本集,减少训练样本集合大小,降低动作分类算法计算开销。然后构建鲁棒协作表示分类模型,通过扩展拉格朗日乘数算法求解测试样本的表示系数和残差,判定测试样本所属类别。实验结果显示,所提算法能够从体域网多传感器数据中获得更多与动作模式密切相关的协调性和相关性,大幅降低动作模式识别算法时间复杂度的同时,有效提升稀疏表示动作模式分类性能。本文采用可穿戴动作识别数据库作为实验数据来源,通过设置参照实验,从动作识别率、算法时间复杂度等多个方面对所提算法进行评价。实验结果显示,本文所提几种算法识别性能明显优于传统机器学习算法以及稀疏表示分类算法,能够有效提升体域网动作模式分类性能,为后续相关研究提供新的思路和方法。