在基于惯性传感器的人体行为识别研究中, 特征提取是其中的关键环节之一。而离散数据统计特征的稳定性依赖于特征提取的窗口大小。一般来说, 训练数据的窗口长度需要大于一个运动周期。因此, 针对测试数据远小于一个运动周期的短序列样本识别问题, 提出了一种基于模板匹配的新的解决方案。首先, 通过适当分割训练数据的长序列样本, 构建一个过完备的短时行为模板库, 将待测短时样本与模板库中样本进行一致化处理并进行匹配; 其次, 在匹配算法中, 采用样本间的F范数与整体梯度向量的2范数累加作为匹配度量准则, 得到相似度直方图; 最后, 基于相似度直方图, 根据投票策略得到最终分类识别结果。实验表明: 在使用单传感器识别短时行为的情况下, 新算法比传统算法在精度和稳定性上具有更好的性能, 并能适应不同窗口下短时行为分类问题。