随着全球范围内的人口增速放缓,老年人所占的比例呈上升趋势,很多老人由于缺乏必要的监护,在家中独自生活时会发生很多健康问题。人体行为识别技术应用于独居老人的行为监测有助于掌握老人的生活状态,防止意外的发生。本文立足于单人基础行为监测,基于隐私性较好的声学手段,采用超声波传感器阵列搭建了人体行为识别系统并对其中的关键性技术进行研究。本文所设计的系统在实验参与者进行一些典型的基本的活动时(诸如的站姿、坐姿以及躺姿等),控制系统驱使超声阵列中的超声波发射单元主动发射超声波激励,多个接收传感器收集人体活动的行为的超声反射信息。然后对接收到的超声信息进行分割和数据预处理,提取出每一个活动单元。本文利用时域统计分析和频域分析等分析方法从分段的数据中获取人体行为的时域、频域特征,并设计了一种构建了人体行为特征数据集的方法。此外,根据数据特征的不同,本文进行了一项实证研究来测试这些特征的可辨性。在本文中,我们搭建了两种传统的机器学习分类算法进行实验,分别是K临近算法(K-Nearest Neighbor,KNN)和支持向量机算法(Support Vector Machine,SVM),获得了较为不错的识别效果。而后由针对机器学习算法的缺陷进行改进,搭建了卷积神经网络(Convolutional Neural Networks,CNN)模型并对其进行优化以完成单人行为的识别,改进后的算法对单频率时域数据集的识别率达到92.8%,对单频率频域数据集的识别率达到97.5%。结论表明优化后的卷积神经网络算法在存储、计算和准确度上都更有优势。为了评估超声阵列的有效性,本文进行了超声阵列和单传感器的对比研究和超声阵列传感器数量对识别率的影响研究。结果发现使用超声波阵列作为采集手段不仅能在数据处理上更为简便,也能显著降低算法复杂度。