人体姿态检测和动作识别技术在各类人群的工作和生活中具有非常广阔的应用前景，尤其是在生命健康保障方面有着重要的应用。目前，常用于姿态检测和动作识别的方法包括基于视频图像的方法、基于振动频率的方法、基于可穿戴式传感装置的方法。其中，基于加速度计和陀螺仪等惯性测量单元的人体姿态检测和动作识别已经成为本领域的研究热点。　　虽然基于可穿戴式传感器的人体动作识别已经进行了一定的研究，但由于各个研究者使用的传感器数据不尽相同，无法在统一的数据基础上对各种算法的性能进行优劣评判。本文对前人研究过的一些动作数据库进行总结，综合考虑动作种类、受试对象、数据规模、数据完整性与实用性等方面因素，选取美国南加州大学的USC-HAD数据库作为动作识别算法的验证平台。　　本文设计了一种支持向量机投票算法(v-SVM)，对USC-HAD数据库的10种动作进行分类。首先针对原始传感器数据设计了一种滤波预处理方法，然后对统计特征和物理特征两类共80维特征进行特征选择，得到降维之后不同阈值条件下的五组特征子集，继而在特征子集和全集上分别运行不同参数下的支持向量机算法，对分类结果进行投票作为最终的类别标号。　　本文对v-SVM的算法性能进行分析，并与经典的分类算法进行对比。实验结果表明k最近邻分类器和随机森林算法得到较高的分类准确率，但k最近邻分类器运行时间过长;随机森林算法参数不易选取;支持向量机算法准确率最高，运行时间短，参数可以优化选取。本文提出的v-SVM算法在所有测试集上(包括五个特征子集和全集)的识别准确率均超过支持向量机算法，适用于对分类准确度要求较高的场合。