大量研究表明适当进行身体锻炼有助于保持身体健康、预防多种慢性疾病、促进身体代谢和生长发育。然而高强度的工作学习压力使得人们往往无暇顾及自己的运动量,看不到明确量化的运动又一定程度上导致人们对运动的积极性不高。因此全天候实时记录识别人体动作具有重要的研究价值和意义。能够利用随时随地产生的无标注数据的无监督学习算法与能够随时随地记录人体运动数据的可穿戴式传感器系统之间的相互结合,在这一领域有着广阔的应用前景。本文提出了一种无监督集成学习方法用于人体动作识别任务,可以融合多个基层学习器以提高模型性能;并且引入了剪枝策略,在保证模型性能的前提下降低了模型训练的成本,实现了对日常人体动作的有效识别。研究的主要内容如下:1.对人体动作信号分析和预处理进行了研究。由于自组织映射网络需要经过大量迭代训练才能够得到稳定的模型,过于庞大的特征数据也会对实际使用中的实时性造成影响,因此需要在数据处理阶段降低后续模型训练与使用的计算量以节约模型训练时间和提高模型使用时的实时性。本文在特征提取阶段提取共123维特征。为了降低特征向量冗余度,提高模型训练速度,本文利用主成分分析法进行了数据降维操作,将特征向量维度从123维降至26维。实验结果表明,该降维操作不会明显影响模型识别精度。而特征降维后,模型训练时间减少了约68%。同时根据主成分转化矩阵系数和来评估不同维度的特征对这26个主成分的贡献程度,取消了25个对主成分贡献接近0的特征的提取,降低了约16%的特征提取所需时间。2.将级联结构引入自组织映射网络,提出了一种新的聚类集成方法。提出的级联自组织映射网络使用一位有效编码的方式融合合多个基自组织映射网络的输出作为下一层自组织映射网络的输入,经过整合多个基层网络,级联自组织映射网络能够有效提高在人体动作识别任务上的性能。实验结果表明,级联结构能够将自组织映射网络在人体动作识别任务上的精度提升约4.5%。从特定动作上来看,级联模型可以有效降低易混淆动作之间发生误识别的概率。此外,由于级联自组织映射网络完全由自组织映射网络组成,因此继承了自组织映射网络易于改进的特点。3.提出了生长和剪枝策略用于改善原始的自组织映射网络的固有缺陷,使得改进后的模型拥有更为灵活的网络结构去适应输入空间的模式分布。经过实验验证,将剪枝机制引入可增长的自组织映射网络能够有效控制模型中神经元的数量,使得网络训练时间降低了约28%,存储训练好的模型所需要的存储空间也减少了14.93%。此外引入了生长和剪枝机制的SOM网络与原始的SOM网络相比无论是在整体动作识别精度上还是在特定动作识别精度上没有明显差异。同时,由于其生长特性,改良后的模型还能够对增量学习场景下的动态数据集进行学习。实验证明将该模型用于增量学习时,在能够对新增动作类别进行有效识别的同时,对原有动作类别的识别精度也不会出现严重下降。