1、基于加速度傳感器的人體行為識(shí)別是人體行為識(shí)別領(lǐng)域中一個(gè)新興的研究方向，相比于基于視覺的人體行為識(shí)別方法具有抗外界干擾能力強(qiáng)、攜帶方便、數(shù)據(jù)獲取方式自由等優(yōu)點(diǎn)。本文圍繞加速度傳感器信號(hào)的去噪方法、特征提取方法和分類識(shí)別方法這三方面展開了一系列的研究，主要工作包括:
　　1、針對(duì)小波去噪方法中傳統(tǒng)的硬閾值法和軟閾值法的不足，本文提出了一種新的閾值函數(shù)，克服了硬閾值法的振蕩和軟閾值法的固定衰減問題，通過仿真比較說明，本文提出的方法相比較

2、于硬閾值和軟閾值法能更有效地濾除加速度傳感器信號(hào)中的噪聲。
　　2、提出了一種基于標(biāo)準(zhǔn)差、偏度、峰度和相關(guān)系數(shù)的五種走路模式（站立、走路、跑步、上樓和下樓）的識(shí)別算法。實(shí)驗(yàn)結(jié)果表明，本文提出的特征提取方法能有效的區(qū)分站立、走路、跑步、上樓和下樓這五種不同的走路模式，用SVM進(jìn)行分類時(shí)，五種動(dòng)作的平均識(shí)別率達(dá)到了98％。
　　3、針對(duì)三種相似的走路模式難以區(qū)分的問題，提出了基于小波能量和四分位間距的走路模式識(shí)別算法，細(xì)分了三種

3、走路模式:正常走、慢走和快走。實(shí)驗(yàn)結(jié)果表明，本文提出的特征提取方法能達(dá)到100％的平均識(shí)別率，比傳統(tǒng)的FFT系數(shù)提高了6.667％的識(shí)別率，從而顯示出本文提出的特征提取方法的有效性。
　　4、初步研究了基于三維加速度傳感器的步態(tài)識(shí)別，提出了一種基于多種時(shí)域特征和時(shí)頻特征的步態(tài)識(shí)別算法。通過SVM分類器進(jìn)行分類識(shí)別，識(shí)別的正確率為95.7134％，說明了基于加速度傳感器的步態(tài)識(shí)別是可行的，也是有效的。
　　5、針對(duì)傳統(tǒng)的支持向