近年来,随着科技的进步尤其是微机电系统技术的发展,智能可穿戴设备广范普及,人体动作识别（Human Activity Recognition）逐渐受到国内外研究学者和工业界的关注。在人体健康监测上,它通过对采集到的人体运动的传感信号进行处理和计算识别出人体正在进行的运动,为使用者提供动作计数、记录等服务。而基于惯性传感信号的人体动作识别因其部署方便、自由度高和成本低廉,在人体监测上有着广泛的应用产出和应用需求。但是,现有的大部分研究都是针对周期运动的研究,而对非周期运动的研究缺少有效的方法。后者是人体日常运动的重要组成部分,对该类运动实现有效的人体监测需要获得运动中目标动作的发生区间。而周期运动识别所用的滑窗法+分类器的方法并不能很好的实现上述需求,存在错误率高、计算冗杂的问题。所以本文从非周期运动的特性出发,将非周期运动的研究方向定为运动中目标动作的检测与识别（简称,非周期运动检测与识别）,并提出了两种替代滑窗法的方法来实现非周期运动的检测与识别。本文针对基于惯性传感器的非周期运动检测与识别展开了研究,主要的贡献和工作包括:针对现有的基于惯性信号的非周期运动数据集缺少细粒度标注的情况,采集了Badminton数据集。在Badminton数据集中,参与者每次发球和挥拍的发生时间都被标注,这让数据集可用于非周期运动检测与识别任务。针对滑窗法识别率低、计算冗杂的问题,本文提出了一种基于候选区间生成的非周期运动检测与识别算法。首先利用卷积神经网络同时为所有预设框进行分类和微调来得到候选区间,减少了重复的计算。然后通过对候选区间进行再分类得到检测和识别结果,提升了准确率。同时,本文还探究了如何设计二维卷积神经网络作为特征提取网络。针对基于候选区间生成的方法需要花费较多时间在多个候选区间进行再分类上,本文提出了基于无候选区间的非周期运动检测与识别算法。该算法先进行中心点检测,后为中心点生成参数将中心点转变成具有类别的区间,实现了检测与识别。这个方法推理速度快且迁移性好。同时,本文提出了感受野增强模块,让卷积神经网络能够提取到具有更丰富感受野的特征,提升了中心点和对应参数的生成质量。针对二维卷积网络的局部连接和参数共享对惯性传感信号特征提取不够友好的问题,本文提出了维度可分离网络,通过利用一维卷积和组卷积的特点,不但让每维信号的参数不共享,而且实现了阶段式的特征提取,提升了网络的特征提取能力,对惯性传感信号更友好。