随着传感器技术、微型芯片以及人工智能理论的快速发展,基于可穿戴设备的人体行为识别引起了广泛的关注,尤其近些年智能硬件技术大力发展,传统的外接式可穿戴传感器已经转为智能化的可穿戴移动设备。移动设备具有强大的感知和计算能力,它能够实时获得并计算人体行为的传感数据,为识别人体手部细微动作提供了更加方便的渠道,因此如何利用智能化的可穿戴移动设备识别人体行为动作已经成为了新的研究热点。本文主要目的是利用人体手部运动产生的传感器原始数据,通过分析和处理后,结合模式识别技术对人体手部细微动作进行感知和识别。通过对人体手部动作进行类型分析,总结手部动作的状态,本文将人体手部细微动作分为手臂、手腕和手指三种手部动作类型。并且本文采用市面上成熟商用的智能手表,尝试区分上述三种手部动作类型、以及其下细致的动作类别。通过使用COTS的智能移动设备,本文提供了一个可行的参考方案实现人体手部细微动作识别。本文的研究核心主要有两个部分:动作片段的提取,以及人体手部细微动作的分层识别。第一部分,本文对手部细微动作数据进行了采集和数据预处理,提出了一种自适应动作片段提取改进算法AMFEIA对完整动作片段进行提取,该算法能够探测得到单个动作的真实起始点和终止点,使系统能够主动的识别人体动作。第二部分,本文提出了一种基于分层的人体手部细微动作识别方法,第一层通过计算手部运动产生的能量对手部动作类型进行了预先的分类,分别为手臂动作、手腕动作、手指动作类型;第二层训练基于不同手部动作类型下的细致动作的识别模型,为了增强手臂动作识别的鲁棒性和准确性,本文设计了一种基于加速度零点和首波正负的模板库匹配算法对其进行了识别,同时考虑到手腕和手指动作数据的微弱性和细腻度特性,本文利用决策树分类模型对该类细致动作进行识别。通过两次分类结构,构建了对人体手部细微动作的整体识别方案,从而获取手部细微动作最终的识别结果。本项研究构建了包含2000组手部动作数据特征向量数据集,对文中算法和方案进行了验证,实验结果表明,人体手部动作类型(手臂、手腕、手指)的分类识别精确率达到了100%,其中,手臂、手腕和手指类型下细致动作的平均精确识别率分别达到了97.27%、97%和86.2%,并在Android系统中对该识别方案进行了代码实现。