随着微型低功耗传感器技术的飞速发展和不断成熟，基于传感器的应用系统在日常生活中随处可见，为我们的工作和生活提供了诸多便利。与基于计算机视觉的行为识别不同，基于传感器的方法更能体现人体运动的本质特征，而且不受特定的场景和时间限制，保护用户隐私，数据获取自由，信息量丰富，且体积小、灵敏度高、设备简单，因此基于传感器的行为识别已经成为一个新的研究热点，受到国内外学者的高度关注。
　　近年来，虽然基于传感器的行为识别取得了很多的研究成果，但仍然存在诸多问题需要进一步解决。本文重点针对基于传感器的行为识别中数据分割、特征优选及数据融合等问题，运用模式识别、机器学习和数据挖掘等领域的理论和方法进行研究。
　　首先，针对行为识别过程中同类动作的周期性、不同类动作的交替性以及动作切换时的过渡动作等多模式识别问题，本文将人的行为动作分为基本动作和过渡动作两种类型，提出了一种基于马氏距离的行为数据分割方法，实现了多行为模式过程中基本动作及过渡动作数据的准确分割。最后，通过对固定大小无重叠的滑动窗口、固定大小重叠率50%的滑动窗口及本文提出的数据分割方法进行实验对比分析，验证了本文方法的有效性。
　　其次，针对传统特征优选方法大多对特征之间相关性考虑不足的问题，本文以分类准确性为准则，提出了一种基于特征相关度的二进制粒子群特征优选方法。该方法将特征之间的相关系数加入到二进制粒子群优化算法中作为确定粒子位置的一个特征相关度因子，增大了信息量多的特征被选中的概率。实验部分采用J48，RF，KNN，MLP，NB和SVM六种分类算法对本文提出的优选方法进行了实验对比分析，结果表明该方法具有较好的识别效果。
　　最后，针对单一类型或单一位置的传感器不能全面准确地识别日常行为活动问题，本文提出了一种基于加权线性判别分析的多传感器数据融合方法。该方法将行为识别视为是一个二分类问题，为每种行为动作建立一个融合模型，通过引入权重向量来描述部署在人体不同部位的传感器对识别结果贡献的差异性。实验表明，该方法能够有效地融合多传感器数据信息，对日常行为活动具有较好的识别效果。