狗与人类的关系密切，用途广泛，是人类的好帮手，尤其宠物犬是人类重要的精神伙伴。由于中国家庭结构和消费结构的演变，对宠物的市场需求逐步扩大，中国2015年宠物总数量已达1亿只，居全球第三，其中宠物犬数量占比超过60％。狗的行为能够帮助判断其身体健康状况，自动识别犬类行为可以节省人力物力。因此其具有重要的经济、科学意义和应用前景。　　本文以中型犬的加速度数据为研究对象，对374个文件共计134小时的加速度数据进行了分类和筛选。根据加速度数据的特点对其进行了去噪，加窗以及参照重力加速度进行倾斜矫正，并对比不同窗函数对重力加速度提取的影响。对加速度数据进行分析，为尽可能充分地表达加速度数据特征，提取了时域特征9种和频域特征4种，共77维特征向量。构建了多阶段分类器，第一阶段分类器使用BP神经网络分类器，第二阶段分类器尝试了 BP神经网络、支持向量机和概率神经网络分类器，并对各个分类进行了优化和训练数据集的优化，对比了各个分类器的识别率和优缺点，将三种分类模型进行逻辑合并。经过两阶段分类器，对4000组样本进行分类，可自动识别狗的行为有休息、饮水、排泄、进食、抓痒、奔跑、抖动和颤栗8种行为，总体识别率达到85.3%。　　具体研究结果如下：　　1）对加速度数据进行了预处理。　　将12条中型犬长达134小时的374个数据文件整理，并按照行为学专家给出的行为标签进行分类，获得了23小时的有效数据。将加速度数据中的丢包数据、低能量数据和传感器失灵数据去除。根据加速度数据特点设计了低通滤波器为加速度信号去噪，根据行为的最短持续时间选择窗长截取数据段，对比分析后选择窗长为0.64s的矩形窗（每次窗移1/2窗）截取加速度数据。通过快速傅氏变换提取到的直流分量三轴加速度信号中的重力加速度分量，矫正加速度矢量的方向。　　2）计算加速度数据的特征值获得合理的训练集。　　对加速度数据进行特征提取，提取的时域特征和频域特征共13种77维，时域信号9种，频域信号4种，充分地提取了加速度信号的特征。获得了4000组数据样本（每种行为各500组）。对特征向量进行归一化处理，通过PCA法对特征降维，并对比了特征降维前后，特征向量对分类器识别效果的影响，使用最邻近法对特征降维后的加速度数据分类，并根据分类结果抽取训练集。　　3）研究构建了多阶段分类模型并进行优化。　　第一阶段分类器：建立20隐藏节点的单隐层BP神经网络分类模型，区分抖动、奔跑和颤栗行为，其识别率分别为93.8%、95.4%和93.4%，测试集样本占总体样本的20%，测试集识别率达到了93.8%，总体识别率达到96.9%。　　第二阶段分类器：构建了 BP神经网络模型、支持向量机模型和概率神经网络模型分别对第一阶段分类器识别为混合行为的2462组数据进行进一步的识别中型犬休息、饮水、排泄、进食和抓痒5种行为。对第二阶段分类器进行优化，综合两阶段分类器，总体识别率达到85.3%。对奔跑、抖动、颤栗、休息、饮水、排泄、进食和抓痒行为识别率分别达到93.80%、95.40%、93.40%、70.60%、79.80%、83.80%、83.40%和82.40%。