现在人们对家庭健康的关注度越来越高。如何通过电子技术手段为人们提供更好的健康保健是电子健康(E-health)领域的主要研究内容。基于传感器的行为识别能够实现面向情景感知的健康保障应用系统，如跌倒检测，小孩监护以及运动监督等，因此成为电子健康(E-health)领域的研究热点。行为识别的精确度越高，需要用户的参与度越低，则应用系统就越可靠也越受欢迎。　　 首先，当面临复杂的行为时，由于运动模式相似而行为语义不同的行为之间容易混淆，基于多同构传感器的传统方法将得不到很好的识别效果。例如对于乘公交与乘的士，即使将多个加速度计佩戴在用户的不同身体部位，也难以进行区分，因为各加速度计在两种行为中采集的信号都具有相似的表征。如果能获取一些异构信息，如代表行为发生环境的图像信息或声音信息，以上行为之间的区分度将大大提高。其次，引入多模异构传感器信息可增加有效的区分度，但也将面临新的难题，即所需的标定训练数据将随之增加。数据标定是一件费时费力的工作，过多的标定数据将加大用户的标定工作量，不符合实际应用需求。因此如何在提高行为识别的精确度的同时降低标定工作量将是本文要解决的核心技术难题。　　 本文提出一个基于多模异构传感器的行为识别协同模型HeCoPro(Heterogeneoussensor, enhanced Co-training algorithm and Product rule)来解决上述问题。该协同模型分为三个模块：协同数据采集与标定、协同分类器训练与识别以及协同信息融合与决策。协同数据采集与标定模块中，为了获取更全面的信息，本文采集加速度、图像以及声音这三种异构传感器数据，并完成同步标定。在协同分类器训练与识别模块中，本文改进标准的协同训练(Co-training)算法，一方面可以利用大量未标定数据来扩充原标定数据集，另一方面可以充分利用各传感器间的相互约束对添加的未标定数据进行筛选，使各单分类器能在少量标定数据集上获得较高的精确度。最后在协同信息融合与决策模块中，通过一种有效的分类器融合方法即乘法规则(Product rule)对各单分类器结果进行融合，进一步提升识别精确度。之所以选择Productrule，因为它可以有效地均衡决策尺度不同的传感器信息的贡献度。实验表明，本文提出的协同模型只需要1/3的标定数据量就能获得与单分类器同样高的识别精度。同时通过结合异构传感器，模型对于区分运动模式相似，而因环境不同导致行为语义不同的行为也具有很好的效果。　　 最后本文设计并实现了一套行为统计及跌倒检测系统，一方面统计用户日常行为的持续时间，督促用户制定合理的运动计划来保障身体健康；另一方面实时检测跌倒这一危险行为，可用于老年人的安全监护。