随着信息技术的飞速发展,人类对计算机的利用更加多样化、微型化、系统化,人与计算机更加和谐互依,计算机正融入人们生活的方方面面。智能手环、智能手表、智能眼镜、智能衣物等各种新型智能穿戴设备不断涌现,为人们的生活带来了巨大变化,可穿戴计算逐渐兴起为一个热门的研究方向。各式各样的穿戴设备层出不穷,它们在运动监测、医疗健康、社交娱乐等各个方面发挥着越来越重要的作用。可穿戴计算涵盖领域广、包含技术多,人机交互的研究是一个重要的课题,在许多方面起到基础性作用。交互的方式多种多样,从传统输入输出的简单交互形式,到如今基于语音、图像、无线信号及各种传感信息的交互,人机交互技术在可穿戴计算前进的步伐中迸发出新的活力。人体动作的识别是可穿戴计算和人机交互研究中的关键技术,它对于各场景下人类行为意图的理解及与环境的和谐交互发挥着至关重要的基础性作用。如体育运动中虚拟现实游戏的实现和辅助性训练系统的开发,对动作的精确识别尤为重要。目前动作识别主要通过计算机视觉、惯性传感器、无线信号等方式实现。计算机视觉技术发展较为成熟,但其对设备精度要求较高,受光线影响较大,且感知范围有限,需在特定的距离内方可进行检测;常见的惯性传感器有加速计和陀螺仪,已有许多学者对其展开相关研究,它能够有效克服视觉技术的不足,但需将惯性节点部署在用户身体的特定部位上,携带不便,带来许多额外负担;基于无线信号的感知方式正处于发展阶段,效果仍不够理想,且设备价格高昂,不利于广泛部署。在多种多样的环境资源下,一种普适的、便捷性动作识别技术能够更加融洽地完成特定任务。可穿戴设备种类繁多,能够融入包括惯性传感器在内的各式传感器。基于一般可穿戴设备的动作识别研究,通常需要用户携带多个节点设备,不利于广泛普及使用。另外,对于特定的穿戴设备或穿戴织物,很难集多种能够有效使用的传感器于一体,这为许多实际情况下动作识别的研究带来困难。尤其在体育运动中,能够以一种普适的、便携的日常设备实现动作的精确识别,不仅能有效推动相关理论技术的发展,而且对人们自身许多实际应用情况下的研究有着重要的意义。智能手表是目前越来越流行的一种穿戴产品,内部集成了各式各样的传感器,在运动测量、生理监测等多个方面起到越来越重要的作用。通过对惯性传感信息的有效利用,能够识别特定情况下的人体动作。基于智能手表的动作识别能够有效克服视觉技术的不足,同时充分发挥惯性传感器的长处,有效做到取长补短,具有便携、可靠、稳定、环境依赖性小等独特优势。另外,其多种网络通信功能,能够更好地融合信息环境,充分发挥物联网技术的优势,有效克服当前穿戴设备计算资源少、内存小等不足,达到良好的系统部署及用户体验。乒乓运动是一项技巧性较强的运动,它运动速度快、灵活性高。不同于其他人体行为,对乒乓动作的识别有其固有的特点和难点。本文基于普通商用智能手表,展开乒乓动作识别的研究。利用了手表中集成的加速计、陀螺仪、磁力计等传感器。针对数据的获取问题,本文基于手表——手机——服务器架构设计并实现了一整套数据采集系统,能够稳定获取包括加速度、角速度、磁感应强度等共九轴传感数据。针对连续传输信号的动作检测问题,本文利用信号的方差变化特性,提出一种动作信号段提取算法(MSSE),能够有效检测和提取出动作信号段。然后利用对惯性信号时域、频域特性的分析,以及相关的机器学习理论,提出一种基于信号分析与集成学习的动作识别方法(SAEL)。为了有效利用信号的局部信息,提高对复杂动作的泛化性能,本文提出一种基于卷积神经网络信号特征优化的动作识别方法(CSFOR)。在对八类基本乒乓技能动作识别的实验中,SAEL和CSFOR分别获得了99.41%和98.24%的准确率。另外,为了探究各种传感器在乒乓动作识别中性能的差异,我们对不同传感器的识别效果进行了实验分析,结果表明磁力计能够发挥更大的作用。