随着现代科技水平和生活质量的极大提高,基于传感器技术的人体运动状态识别在体育医疗、救灾抢险、虚拟现实、人机交互等众多生产生活方面凸显广阔的应用前景且备受科研人员关注。本文利用三轴加速度和陀螺仪传感器进行运动状态的模式识别,克服了基于计算机视频的隐私安全问题,并且避免了基于单一传感器的运动状态识别精度过低的影响,易于系统移植和推广。本文主要研究工作如下:1)本文着重对比分析SVM与KNN、RVM算法在人体运动状态识别的应用,并引入用于图像识别领域的SVM+和l2-SVM+算法应用至人体运动状态识别,同时,考虑到人体运动状态识别系统在线阶段实时性的要求,充分对比分析识别流程运行时间。通过对人体行走、站立、平躺、上楼、下楼和小跑六种行为数据集进行对比实验,利用SVM算法可以获得99%的识别率,且运行时间满足系统设计要求,实验表明基于SVM的人体运动状态识别准确有效。2)利用特征工程对原始数据预处理提取特征,并对特征集质量进行评估。包括数据加窗技术的研究和对分类精度和效率的验证,中值滤波器对数据进行去噪和平滑处理,小波变换技术分离重力加速度,众多时域、频域特征计算,对特征集质量进行分析,获取最优特征集合。3)在线实时识别系统的设计与实现。基于以上对人体运动状态识别技术的研究,基于Java设计并实现一套完整的基于SVM的人体运动状态在线实时识别系统,系统的在线识别阶段准确度达到99%,功能和性能均符合目标要求。可以根据训练数据样本的不同用作跌倒检测、计划提醒等任务的识别。系统经过后期测试,基于SVM的人体运动状态识别系统的研究对相关科研人员和软件开发者均提供了重要的参考价值。