随着人工智能、传感器技术以及可穿戴技术的发展,基于传感器的人体动作识别一直都是近年来研究的热门主题。相比于单个传感器,多个传感器可以对复杂的人体动作实现更高的识别准确度。为了追求更好的性能,往往会出现多余的传感器,这直接带来了额外的传感器费用,使得数据传输、存储和计算负载加重。因此,如何从多个传感器中选择合理的传感器数量和位置组合是该领域亟待解决的一个问题。针对特定的复杂人体动作,基于穿戴设备采集人体多个位置的传感器数据,从多个传感器位置中选择合适的传感器数量和位置组合,在确保识别精度的同时尽可能地减少传感器,然后通过选择的传感器组合使用常见的分类模型对复杂的人体动作进行识别分类。在选择传感器数量和位置组合时不仅考虑了不同位置传感器与人体动作类别之间的相关性,同时也考虑了不同位置传感器之间的冗余性。另外,通过模拟复杂的工厂生产流水线场景,使用可穿戴设备捕捉了8种不同的人体动作,得到了17个人体不同位置的加速度数据。然后使用提出的算法从17个不同位置传感器中选出合适的传感器数量和位置组合,并对这8种复杂人体动作进行分类。一共采集了1112组复杂人体动作样本,通过实验评估发现,提出的方法比直接基于特征选择方法得到的传感器组合更加合理,可以有效地去除冗余的传感器。实验结果表明仅仅需要提出方法选择的6个不同位置的传感器就可以维持使用所有传感器得到的识别准确度。