随着物联网（Internet of Things,Io T）技术、机器学习等人工智能技术的发展,已经有许多相关技术被应用于体育行业。而足球运动作为世界第一运动,流行范围广、受关注程度高、商业化程度高。在此背景下,将Io T和人工智能（Artificial Intelligence,AI）技术结合,应用到足球运动的教学、训练甚至比赛中,存在极大的应用需求和发展潜力。足球运动动作识别与分析主要是针对运动员的小腿和脚踝等部位进行运动捕捉和评估,在运动前将内置惯性传感器的可穿戴设备绑在脚踝上,利用机器学习算法识别运动动作和估算运动强度。总体而言,惯性传感器对下半身运动动作的数据捕捉敏感度偏低,尤其足球运动动作复杂,运动员个体差异性大,现有的人体活动识别研究算法模型难以直接用于足球动作识别。传统的足球运动教学与训练方法中,利用可穿戴感知设备对真实原始数据进行采集和挖掘有限,缺乏基于运动科学理论的人体动作捕捉及姿态识别。当前模型对复杂高噪声的动作数据流分析不够深入。针对以上不足,本研究设计了一种基于人工智能物联网的足球运动动作识别与评估框架,利用可穿戴设备采集足球运动动作数据,并构建机器学习算法模型,对足球运动动作进行识别、评估以及运动强度分析。本文的主要贡献和创新点如下:1.常见特征提取方法适用于大部分单调动作的识别,但足球动作具有高度可变性且运动员的脚踝运动灵活多变。实际获取的足球数据流嘈杂,数据规律并不明显,模型对数据识别的性能将会下降。为提取到复杂数据流中的有效特征值并提高模型识别准确率,构建姿态角解算+支持向量机（Support Vector Machine,SVM）分类算法的分类模型。SVM算法模型适用于小样本数据受到噪声影响较小,适配于本研究中足球动作的识别。2.设计的姿态角解算+SVM分类算法模型可高精度的完成足球动作识别和质量评估,但SVM算法的特性使得分类模型无法直接处理数据流,且一个算法模型只能完成一个分类任务。为降低算法输出结果的延迟和数据运算造成的资源消耗,设计基于长短期记忆网络（Long Short-Term Memory,LSTM）算法的多任务学习模型,实现动作识别与运动强度估计。该模型可并行进行分类子任务和回归子任务并同时输出结果。在初始数据处理方面,根据惯性测量单元（Inertial Measurement Unit,IMU）数据设计了特征提取方案,并进行特征数据增强集合了解决小样本数据问题。3.现有基于传感器的公开足球运动数据集多为团体运动数据集,为评估设计的足球动作识别算法性能,本项工作设计数据提取实验方案完成了不同动作的数据采集工作,并分析原始数据特点进行数据清洗。姿态角解算+SVM分类算法模型的实验结果表明,所设计的基于传感技术的动作识别算法模型在识别不同的动作时的准确率可达到90%;动作质量评估模型能够以93%的准确率划分出专业运动员和业余爱好者。在验证基于深度学习算法的多任务模型方面,为探讨模型的泛化性,使用三个公开数据集进行模型验证,并对模型的特点及学习思路进行分析。接着在所收集的足球运动动作数据集上进行实验,实验结果表明设计的多任务模型可同时出色地完成两个子任务。