在移动互联网迅猛发展的今天,智能手机已经成为人们生活中非常重要的一部分,人们几乎随时随地都携带着它们。如今的智能手机大都集成了一部分传感器,在模式识别领域,基于智能手机传感器的人体行为识别技术引起了许多研究人员的研究兴趣。基于智能手机传感器的人体行为识别技术具有非常广阔的应用前景,可以预见其将是未来的一个研究热点。在本文中,我们提出了一种基于智能手机加速度数据的人体行为识别方案。在该方案中,我们使用智能手机采集人体行为相关的线性加速度数据,采用通用的滑动窗口技术从原始传感器数据中产生行为实例并从行为实例提取特征。在特征提取这一步提出了一种新的基于区间权重的特征提取方法,最后利用MCODE聚类算法和层次聚类算法等无监督学习算法进行了行为识别研究。在实验中,我们在特征提取这一步还引入了另外两种分别在时域上和时频混合域上的特征提取方法进行了行为识别研究。实验结果表明,在对六种日常行为的识别上,采用基于区间权重的特征提取方法和层次聚类算法能较好地从线性加速度数据识别出“走路”、“慢跑”、“上楼梯”与“下楼梯”等四种行为,其总体识别率达到了99.18%。但是,该方法不能够区分“坐着”与“站立”这两种静止行为,这两种行为被完全识别成了同类行为。基于区间权重的特征提取方法结合MCODE聚类算法在对六种日常行为的识别中,识别效果与层次聚类算法相当,不过对MCODE聚类算法的输入参数选择相对比较麻烦。而从各特征提取方法对应的行为识别结果来看,基于区间权重的特征提取方法优于另外两种引入的特征提取方法。