人体日常生活运动分类在健康监护、日常生活锻炼等应用方面具有极其重要的意义，近年来得到了广泛的研究与应用。其中考虑到长时间监测佩戴的舒适性和可穿戴性，采用尽量少甚至单个微型惯性传感器进行人体运动分类已经成为越来越多研究者的选择。然而，人体运动的复杂、大量的噪声、较少的运动数据，给研究高精度运动分类方法带来极大的挑战。本研究以隐马尔科夫模型理论和贝叶斯决策理论为主要理论基础，提出了采用单个三轴加速度传感器进行人体运动分类的方法，并取得了很高的分类精度。主要贡献可归结为：1)人体运动特征提取方法。通过总结前人研究成果和试验研究，提出了信号幅度面积(SMA)、加速计轴方位和累积变化量三个特征，来描述人体不同运动类型，其中累积变换量是本研究首次提出，用于描述人体中间过渡状态的特征。2)人体运动序列的隐马尔科夫模型建模。人体运动序列具有一定的马尔科夫性，本研究首次考虑到了人体运动生理学限制，依据运动状态间的关联和离散化特征与运动状态之间的关联，提出了使用隐马尔科夫模型对人体运动序列进行建模。并针对人体运动序列估计的特殊性，提出了使用分段Viterbi算法对人体运动序列进行估计，进而提高了分类精度。3)人体运动实时识别方法。采用了类似于隐马尔科夫模型的递推、回溯方式，依据贝叶斯决策理论提出了可实时运行的人体运动识别方法。该方法同时考虑了不同运动状态之间的关联和运动状态与特征之间的关联，进而提出了使用递推方法估计人体运动状态和使用回溯方法修正估计错误的方式以提高实时分类精度。　　 为检测本研究提出的分类方法的性能，作者开发了一套基于MEMS三轴加速度传感器的无线监测系统，并召集了6个测试者采集加速度数据进行实验。通过将估计结果与人工记录结果比对，在长达7639秒的运动序列估计中，本文采用的基于隐马尔科夫模型的分类方法取得了99.59％的分类精度；在长达8030秒的实时监测中，人体运动实时识别方法的分类精度也达到了99.42％。　　 实验表明，本研究提出的人体运动分类方法均优于现有方法，表明本研究中提出的特征和方法适用于日常生活中的人体运动分类和监测。