随着近年来智能终端的迅猛发展，基于智能手机的人体动作识别技术越来越受研究人员的重视。这方面的研究在行为建模、健康监控、跌倒检测、惯性导航等领域有着广泛的应用。　　目前，在基于智能手机的人体动作识别研究中，广泛采用的方法是先在人体的几个固定位置采集训练数据，然后从训练数据中提取特征并利用这些特征对动作模型进行训练，最后用动作模型识别测试数据。然而在实际应用场景中，用户佩带手机的位置具有随意性，手机并不一定被佩带在这几个预先设定的位置上。因此当手机被佩带在新位置上时，传统动作识别算法的准确率会明显降低。如何让动作识别算法对手机的佩戴位置进行自适应是一个需要研究的重要问题。　　基于以上背景，我们提出一种位置无关的动作识别算法:PIAR。 PIAR算法从提高新位置识别准确率的角度对以往算法做了改进。它保留了原始数据的方向特征，并提取了FFT结果中位置无关的特征。　　在PIAR的基础上，我们又提出了位置自适应的动作识别算法:PAAR。在PAAR算法中，我们设计了适用于V-ELM的带权平均可信度算法，并将其用于自适应算法中识别结果的判断。同时，该算法利用了人体运动的连续性对识别结果进行纠正。通过实验分析，我们讨论了投票次数和带权平均可信度阈值对识别准确率的影响。　　本文对算法进行了仿真分析。结果显示，PIAR算法对新位置的识别准确率提升了2.88％。PAAR算法在自适应学习后，对新位置的识别准确率提升了4.57％。