无线体域网(Wireless Body Area Network WBAN,)能够实时监测人体生命体征、体态特征、周围环境等信息,其民用价值常体现在健康监测等场景。在军事上,单兵体域网通过采集战士加速度等信息进行体态动作识别,既能够用于战时四肢负伤评估,也可以用于日常战术动作训练和外骨骼等辅助装备的动作跟随。因此军事科研价值也很突出。本文以军事应用为背景,重点研究了WBAN条件下,基于MEMS惯性传感器的体态分类识别相关技术,主要开展了以下工作:1.研究了基于Zigbee通信协议体域网的组建与入网、数据采集与网络通信,采用九轴加速度模块JY901和4个具有Zigbee协议栈的CC2530F256模块,设计了可穿戴数据采集系统。将加速度模块夹持置于领口,采集了战士常用的10种体态的信号,包括队列三大步法(齐步走、正步走、跑步走)、常用的战术动作(低姿匍匐、高姿匍匐)、体能训练(俯卧撑、仰卧起坐)、上楼下楼和后退。2.对采集的九轴体态数据,通过对比各维度信号特点,考虑到尽可能保留各维度信号特征同时又减少计算量,提出了加速度矢量和幅值(或向量幅值)与角速度矢量和幅值并列处理的体态特征提取方法。3.研究了信号的去噪、归一化等预处理方法,从时域、频域和小波三个领域分别分析了信号的特征,并综合各领域特征向量,提取了高维的混合特征向量和特征向量空间。4.针对“维数灾难”的问题,利用线性判别分析(Linear Discrimination Analysis,LDA)对特征向量降维,维持体态识别率的同时降低了算法的运算量,大大提高了体态的识别效率。5.最后,研究了机器学习算法,结合混合特征向量与LDA,提出了基于混合特征的支持向量机(Support Vector Machine SVM,)算法,利用特征向量空间训练向量机实现十种体态模式的识别分类,取得了理想的识别率。