人的物理活动具有可感知性、非侵犯性以及受环境影响小等特点，在上下文环境中能体现人的意图，是生物特征研究的一个新兴领域，在普适计算、虚拟现实、运动训练和医疗保健等众多领域有广阔的应用前景。人体运动信息可通过加速度等惯性传感器采集，经过特征提取和活动建模后，运用统计和机器学习算法进行物理活动识别。其中，将大量的低层传感器数据转换为高层的物理活动信息是物理活动识别的关键问题。本文重点研究了人体运动信息的获取方法、基于步态加速度的步态识别、物理活动特征的自动选择、短时物理活动识别和基于多传感器的物理活动识别等内容。运动环境的多样性及物理活动的复杂性影响人体运动信息的准确获取。为有效提取人体运动信息，设计了基于加速度传感器的可穿戴人体运动信息采集系统。通过对人体运动信号的检测与分析，研究了运动数据的位置校正与加速度信号去噪等数据预处理方法，保证了人体运动信息获取的准确度。通过分析步态加速度的无偏自相关特性，研究了步态参数计算和步态对称性评估方法，给出了行走速度与步频、步长和步幅之间的关系。提出了一种混合时频域特征的最近邻步态识别算法，该方法对单步态切分得到步态代码，采用混合时频域特征匹配实现身份的识别。实验结果显示，最近邻步态识别方法能消除人体行走的步态周期不确定性问题，提高了身份识别的准确率。从运动数据中提取有效特征是物理活动识别的关键。针对短时物理活动中加速度信号的相似性和不稳定性等问题，提出了基于聚类特征选择的DHMM姿势识别方法。该方法运用k-means聚类算法自动提取物理活动特征，并将多维特征输入离散隐马尔可夫模型，通过模型训练和似然度计算，识别出不同的姿势动作。实验结果表明，聚类特征选择降低了隐马尔可夫模型的复杂度，提高了短时物理活动的识别性能。在多个传感器节点的物理活动识别中，需要融合多特征参数以减少节点传送的信息量。本文采用机器学习算法得到各节点的分类混淆概率，然后采用贝叶斯规则融合多节点上的分类信息，将物理活动分类为具有最大后验概率的类别，提高了物理活动的识别率。为了减少各传感器节点的训练样本数量，研究了在多个未标识活动中选择特定实例的主动学习方法，从而提高了系统的分类效率。最后对全文进行总结，并指出今后需要进一步研究的工作。