如今,各种便携式智能移动终端设备应用广泛,其中包含的丰富传感器为实现对生理参数状况便捷监测提供了可能,但监测数据往往受人运动状态影响较大,通过对不同运动状态的识别分析,能够更好地挖掘监测数据中所包含的真实生理信息。本文对人体运动过程中的生理参数的变化进行深入研究,主要工作包括:1.采用单个加速度传感器节点对人体6种动作进行识别,分析12名实验者运动数据的结果表明,腰部正中位置作为加速度数据采集部位效果最佳。并针对单分类器对不同运动识别效果差异较大的问题,使用多分类器融合的运动识别方法,结果表明其整体识别效果得到显著提高。2.提出基于梯度提升决策树的心率检测误差修正算法,以修正运动状态下通过心电信号监测心率产生的误差。采集11名实验者运动数据并进行5折交叉验证,结果表明该算法鲁棒性强,修正效果显著,心率检测误差平均值由10.60bpm降到了5.76bpm,平均提升了45.70%。3.研究心率变异性的时域和频域分析方法,提出一种变步长的萤火虫算法来优化支持向量机参数,实现对心率和血压参数异常的判断。通过10重交叉验证对MIMIC数据样本进行分析,实验结果表明该算法平均识别准确率从90.6%提升至93.5%。4.通过网络调查问卷对融合运动识别的多生理参数监测应用需求进行调研,根据调研结果设置三组实验,采集24人数据研究运动心率、血压和体温的变化规律,采集12人数据分析融合生理参数对提高运动识别率的有效性,采集14人数据讨论引入运动干扰的生理参数健康状况。实验结果表明,加入生理特征的运动识别能够有效地提高运动的识别率,平均识别率从94.8%提升到95.7%;基于SVM的血压和心率异常判断算法识别准确率在87%以上。