科学、适量的运动健身对保持人体健康、预防各种慢性疾病发挥着至关重要的作用。然而现代社会快节奏、高强度的工作环境使得人们运动积极性不高、运动量不足,直接影响着国民的身体健康。因此,实现日常人体活动的追踪记录与量化具有重要的研究意义。而基于穿戴式的人体活动识别技术能够消除特定时间和场合带来的限制,在医疗康复和健身管理领域具有广阔的应用前景。本研究拟在优化现有基于多分类器的集成模型的同时,提出了一种基于多标签学习的级联模型,实现对日常人体活动的有效识别,研究的主要内容如下:(1)研究并分析了对人体不同节点、不同模态的传感器数据的处理方法。立足不同维度进行特征的提取与选择等数据处理操作,使获取的特征实例能有效表征不同类型的活动。此外,对常规的交叉验证的方法进行了改进,更大程度地减少结果的过拟合,保证模型的可靠性。(2)提出从差异化训练集、差异化特征子集以及差异化权重三个方面进行差异化模型的构建。首先在数据融合层面,通过组合各传感节点的数据,形成差异化的训练样本集;其次,随机选择不同的特征,实现基于差异化特征子集的非同质化基分类器的构建;最后在决策融合层面,提出了一种以活动类型为导向进行权重分配的加权投票方法。经实验验证,差异化集成模型的分类性能显著优于常规集成模型。(3)研究了基于多标签级联模型的人体活动识别算法。具体来说,立足于不同模态的穿戴式传感器,引入活动强度标签表征日常的人体活动,并构建两层的级联模型逐级细化基分类器对不同模态特征的关注度。同样地,在人体活动数据集上进行验证实验,多标签级联模型在更少的训练时间开销及更小的模型结构上实现了更高的活动识别准确率。(4)开发了日常人体活动识别平台,实现了数据的接收与保存、特征的提取、数据格式的转换等功能,并设计了一组动态交互网页,实现传感器数据的实时显示及活动模式预测的实时反馈。