人体行为识别通过分析由感知手段获取的人体运动信息来实现对人的行为的理解和描述、以及预测下一步动作,具有重要的理论意义和广阔的应用前景。本文的主要工作是研究并解决噪声环境下基于空间位置信息的人体行为识别涉及的两个关键问题：空间位置信息优化和行为识别方法。针对噪声环境下获得的传感器节点间距离测量值,根据节点构成的多边形各边长之间的几何约束关系,利用Cayley-Menger行列式(Cayley-Menger Determinant, CMD)建立了一个统计假设检验模型,用以检测受非视距(Non Line of Sight, NLOS)信道影响的距离测量,进而提高节点定位的精度。大量的仿真实验表明,该方法在多种不同的情境下能够取得超过80%的识别率。针对人体在不同动作条件下的实时空间位置信息,通过预处理降低噪音影响,提取运动、频域和统计等多层次的动作特征,提出了基于BP神经网络的人体行为识别方法。实验结果表明,该方法对6种日常动作的总体识别精确度达到了82%以上。综上,本文提出的方法能够利用在噪音环境下感知的空间位置信息实现人体行为的准确识别,并且具有改进定位精度、平衡动作识别精度和运算复杂度、不侵犯用户隐私、可穿戴、易维护等优点。