作为物联网的重要应用场景,人体运动识别技术具有重要的潜在价值。例如,能够用于智能健康监护系统为特殊病人和老年人提供日常帮助,还能够为肥胖人群提供定制化的健身指导,以及丰富智能家居的相应功能。随着传感器技术的发展与进步,困扰人体运动识别技术的数据采集难题得到了有效的解决。在这样的背景下,本文提出了一种高效的基于加速度传感器的人体运动识别方法。本文设计的人体运动识别方法主要包含四个部分:特征提取,特征降维,运动模型训练和性能验证等。其中在特征提取部分,首次使用时频分析方法S变换作为特征提取方法,并对变换矩阵的每行取均值,消除某些异常点对特征空间的影响。在特征降维部分,使用基于低秩思想的正则化有监督子空间学习方法,该方法通过将样本特征空间系数矩阵的秩,样本的标签信息和模拟的噪声干扰组成待优化的目标函数,使其能够从受噪声干扰的样本数据中重构低维去噪的子空间。在运动模型训练阶段,为了验证上述特征空间对于不同分类器的鲁棒性,本文使用支持向量机,最近邻和Bagging作为识别算法训练运动模型。在性能验证阶段,使用两种不同的验证方法和用准确率,召回率,精准率和F1等作为评价指标对运动模型性能进行评估。最后,本文提出的人体运动识别方法在WISDM,SCUT和m Health等该领域的公开数据集上进行评测。从上述性能评价指标的角度,验证了本文提出的人体运动识别解决方案相比于现有的算法具有更高的识别性能。