人体行为识别有基于视觉工具和基于可穿戴设备的研究方法,通常视觉设备费用高,在实际应用中受到监测范围的限制。随着微机电系统的迅速发展,惯性传感器具备价格低廉、尺寸小、功耗低和便携等优点。在人体行为识别工作中,越来越多的国内外研究人员通过惯性传感器来实现人体行为的识别,但同时存在识别精度低,算法复杂度高等缺点。本文首先对微惯性传感器实现人体行为识别的原理进行分析和研究,从可行性和易实现的角度,设计基于分层识别算法和支持向量机的人体行为识别算法。实验平台为自研的微惯性测量单元,两个微惯性测量单元分别放置于测试人员的腰部和腿部,识别站立、走、跑、上楼、下楼、后退6种日常行为,以及前向摔倒、后向摔倒和侧向摔倒3种异常行为。其次,在数据进行特征提取之前,对加速度传感器和角速度传感器的数据分别作平滑和中值滤波处理。由于频域特征和时频特征的计算量较大,本文提取加速度传感器和角速度传感器的多种时域特征进行分类识别。为减少特征计算时间,本文对提取到的特征进行选择,提高系统的实时性。通过融合加速度传感器和角速度传感器的时域特征进行日常行为的识别,采用阈值判断、倾角检测及加速度传感器峰值大小的方法对异常行为进行检测。本文采用基于分层识别算法的支持向量机识别区分难度较大的走、上楼和下楼,提高整体的识别精度。最后,在计算机上对行为识别算法进行仿真优化后,通过嵌入式系统平台进行实验验证,设计基于单传感器节点的行为识别和基于多传感器节点的行为识别实验。多次实验结果表明,本文算法能够在微惯性测量单元上实现行为识别,单传感器节点的平均识别精度为91.1%,多传感器节点的平均识别精度为95.6%;对于上楼和下楼的识别,多传感器节点的正确率比单传感器节点提高4.5%。所以本文设计的基于分布式微惯性传感器组合的人体行为识别方法要优于单一传感器节点的识别方法,具有较强的实用价值。