姿态识别和定位追踪已成为当前一个重要的研究热点,能够很好地识别人体的日常行为。但是要准确识别出行为动作就需要大量提取特征导致分类器具有很高的计算复杂度,不适用于微处理器系统。要解决这一问题就需要对特征选择进行研究,通过特征选择可以选择出较少特征并准确识别出所做动作,以往研究中对于前一动作和后一动作之间的过渡姿态的研究有所欠缺,对过渡姿态的识别有助于预测下一动作。本课题针对惯性传感器信号特征进行研究,对基本姿态包括站（SD）、坐（ST）、躺（LY）、走路（WK）、上楼（WU）、下楼（WD）和转换姿势（PT）在内的七种姿态进行分类识别。首先对加速度和角速度传感器数据做预处理,在时域特征提取基础上,采用Fisher-Score、Relief-F和Chi-Square三种算法,从432种时域特征中选择出最小维度的特征子集,有效减小分类器复杂度。为提高分类精度,在432种时域特征的基础上,融合153种频域特征,并改进了特征选择方法,选择出维度更小更有效的特征集;并对支持向量机（SVM）、决策树、线性回归、高斯过程和阈值分类对数据集进行对比分类;利用混淆矩阵等对分类效果进行评估,最终逐层选择出最优分类器和最佳特征集。对支持向量机的核函数和参数进行逐层优化并与神经网络分类性能进行比较。实验结果表明本课题提炼出的特征提取和分类方法选择出的特征子集能够有效的对七种人体姿态进行分类,按照六层分类对分类器进行选择,最终得到每层对应的最佳分类器和最佳特征子集,能够使对七种姿态的分类精度达到0.93。在识别姿态的同时为了对行走轨迹进行追踪,在判断姿态为走路的基础上通过四元数进行姿态解算推算出导航坐标系下的加速度信息,进而对加速度信息做积分推算出运动速度和位置。当识别出人的动作为走路姿态时对人体进行定位追踪,结果证实该方法可以很好的恢复出人类行走轨迹。本论文对三轴加速度和三轴角速度传感器信号的共585种特征进行研究,采用三种特征选择方法和六种分类方法进行性能评估,针对每个层次选择出最佳特征集和最优分类器,实验证明特征选择与层次分类相结合的姿态识别方法,提取的特征数量少而准确度高,能够降低分类器的复杂度,可以根据微处理系统的需要对传感器动作数据进行分析。