基于加速度传感器的人体行为识别是模式识别领域中的一个新兴的研究方向，它的迅速发展受惠于微电子和传感器技术的不断进步以及模式识别理论的深入研究。随着人们对智能交互和健康监护等方面需求的日益增长，基于加速度传感器的人体行为识别在医疗保健、运动检测、能耗评估等领域受到了广泛的关注。与基于计算机视觉的行为识别不同，基于加速度传感器的方法更能体现人体运动的本质，而且不受特定的场景和时间限制，能量消耗少，成本较低，更适合推广应用。虽然近年来基于加速度传感器的行为识别取得了极大的进展，但仍面临不少急需解决的问题，包括如何提取具有较强表征能力的信号特征，如何面向实际应用设计合理的跌倒识别方法，如何构建高精度、泛化能力强的行为分类器等问题。围绕这些问题，本文主要进行了如下的研究工作：1)总结了现有的行为识别方法，比较了基于计算机视觉和基于加速度传感器两种方法，详细分析了基于加速度信号的行为识别具有的优势，系统研究了该类方法的实现过程和相关技术。2)针对行为识别过程中的特征提取问题，从加速度信号的时频分析和分布特点的角度出发，利用小波分析等技术手段，提取了基于角度的小波能量和关键点连线斜率两种新颖特征，从不同方面对加速度信号进行刻画。利用独立检测法和交叉验证法对不同特征集合的识别率进行了比较，表明了这两种特征的有效性。3)在跌倒识别方面，常用分类器往往需要大量的训练样本，现有的方法常采用故意反复跌倒的方式获取训练样本，但对于用户而言非常不便。针对这一问题，提出了一种基于隐马尔科夫模型和身体倾角的跌倒识别方法。该方法将跌倒识别问题转换为对已学模型的偏差问题进行处理，减小跌倒样本量对识别结果的影响。而且基于时序分析的方法，可以有效保留研究对象前后的状态信息，更加符合物理规律。4)在日常行为识别方面，为了提高分类器的泛化能力和识别正确率，采用递阶遗传算法训练RBF神经网络，对其结构和参数同时寻优。以降低分类器结构复杂度和提高正确率为目的，设计了新的适应度函数，利用四分位间距改进参数基因的交叉方式，并结合两种变异操作，提高寻优效率。实验结果表明，采用改进递阶遗传算法训练的RBF网络分类器，同时具备结构精简和误差较低的优点，对7种行为的识别率可达91.54%。5)从识别系统的底层出发，设计了一种加速度信号采集平台，实现了对运动加速度数据的采集。