近年来随着智能手机使用率的提高,基于智能手机加速度传感器的人体行为识别技术得到了进一步的发展。与基于图像的行为识别相比,基于加速度传感器的行为识别更能体现人体活动的特点。传统基于加速度传感器的行为识别研究大多着眼于提高分类器的准确率和运算效率,忽略了人体特征的多样性,局限于使用某个单一的通用分类器模型,使得行为识别的准确率达到了一定的瓶颈。在数据预处理阶段也是简单的采用滤波、加窗等降噪方式,缺少一个区分行为数据的过程。本文以人体行为端点检测为出发点,采用基于人体特征改进的混合多分类器模型进行行为识别。主要工作如下:一、提出一种改进的双参数双门限行为端点检测算法。将采集环境分为:智能手机在采集加速度传感器数据时仅受人体自身和地心引力的简单使用环境和承受其他外力的复杂环境。针对简单环境使用合加速度和信号幅值面积作为参数,针对复杂环境使用最大合加速度和相邻时间窗的相关系数作为参数,分别设置高门限和低门限值进行行为端点检测。二、提出一种自适应的双参数双门限行为端点检测算法。在基于特征的人群分类阶段,计算各个分类人群高门限和低门限数值。在行为端点检测阶段,先计算用户和不同分类人群行为数据的特征相似度,将用户的高门限和低门限设置为特征相似度最近的分类人群的高门限和低门限数值。三、提出一种基于人体特征的改进混合多分类器的模型。本模型针对不同特征人群进行划分,针对不同分类人群分别训练行为识别模型,计算用户与不同分类人群行为数据的特征相似度,特征相似度最接近的分类人群即为用户的所属人群。在行为识别阶段,用户选择所属人群的行为分类器进行行为识别。通过验证实验,证明了自适应的双参数双门限行为端点检测算法可以更好的标记出“活动”行为的起点和终点。基于人体特征的改进混合多分类器模型对比其他识别方法有更高的行为识别准确率。