行为识别是人工智能的重要研究领域,它希望通过各种信息,用有监督的机器学习算法识别用户的动作。当以智能终端作为记录数据,计算分析和报告的载体时,基于智能手机的用户行为识别显得非常重要。针对智能手机的数据冗余问题,本文将降维技术与集成学习结合起来,提高了行为识别的精度。随机投影是一种计算效率高,以很高概率保持Lipschitz嵌入性质的全局降维方法。本文在Adaboost方法的每一次迭代前,用随机投影将样本投影到低维空间,增加了集成分类器的多样性,提高了识别精度。实验表明,针对基于智能手机的行为识别问题,基于随机投影的Adaboost方法在基分类器数量较多时,表现优于Adaboost方法,本文用评价指标Q统计量和PPrecise对此进行了解释。当特征充分冗余并且要求集成学习的基分类器数量要少时,多视图集成学习是一个好的选择。多视图集成学习的一个重要问题就是如何将特征空间切分为多个特征子空间。Vipin Kumar和Sonajharia Minz提出了一种前向搜索划分特征空间法OFSP,本文将基于条件互信息和后向搜索的特征选择技术融入OFSP方法中。实验表明,基于条件互信息和后向搜索的OFSP方法(CB_OFSP)表现更好。为了验证算法的普适性,本文在UCI其他数据集上进行了测试。