随着物联网(Internet of Things,IoT)、人工智能(Artificial Intelligence,AI)和云计算(Cloud Computing,CC)等先进技术的发展和成熟,人体行为识别(Human Activity Recognition,HAR)已经成为模式识别与普适计算研究领域中一个的热点研究方向。人体行为识别系统包括“感知”、“接入”、“平台”和“应用”四个部分。行为信息的感知方式主要有两种:基于视觉和基于可穿戴设备。研究表明,基于视觉的行为识别在隐私和时空适用性方面存在一定的不足,加之智能硬件的发展也为基于可穿戴设备的行为识别提供了良好的契机。如今,基于可穿戴设备的人体行为识别技术已经在人体运动分析、智能家居、人机交互以及医疗诊断和监护等领域得到了初步应用。目前,基于可穿戴设备的人体行为识别系统在无线接入和平台算法方面仍然存在一定的不足。在无线接入方面,可穿戴设备对于功耗要求极高,同时为了实现远距离的识别,如何实现低功耗、远距离的传输是一大考验。现常用的蓝牙和4G等无线接入技术在功耗和传输距离方面难以实现较好的平衡。在平台算法方面,主流的算法模型一方面仅仅考虑人体行为是否包含一些特征而忽略了这些特征之间的位置关系,另一方面对易混淆行为识别准确率低。因此,如何对系统的接入和平台算法进行有效地改进使系统更加完善具有重要的实际意义。本论文立足于基于可穿戴设备的人体行为识别系统的实际需求,着重研究了数据接入和人体行为识别算法模型两个方面。具体的研究工作如下:(1)研究了基于可穿戴设备的人体行为识别系统无线接入部分,针对无线接入无法兼容功耗和传输距离的问题,提出了一种基于远距离无线电(Long Range,Lora)技术的人体行为识别系统。(2)针对基于可穿戴设备的人体行为识别系统中平台算法无法标识特征间向量关系的不足,提出了一种基于胶囊网络的人体行为识别算法。将卷积神经网络(Convolutional Neural Network,CNN)的神经元并行封装成胶囊,通过每个卷积核进行特征的标识,使用并行的卷积核来表示特征之间的向量关系。(3)针对基于可穿戴设备的人体行为识别系统中平台算法对所有种类的输入行为都采用同一参数集合进行处理,导致易混淆行为识别准确率低的问题,提出了一种基于集对分析(Set Pair Analysis,SPA)的多态管道网络算法模型,通过主管道中使用机器学习的算法模型进行预处理,然后使用集对分析技术进行预分类。通过预设的参数进入不同的子管道进行分类处理,最后通过融合管道进行融合。通过上述研究,不仅有效地解决了基于可穿戴设备的人体行为识别系统功耗和距离的兼容性问题,使可穿戴设备进行远距离的人体行为识别成为可能。而且通过优化系统的平台算法,提升了基于可穿戴设备的人体行为识别的整体性能。