近年来,基于传感器的人体行为识别技术已经成为了一个突出的研究领域。通过人体行为识别技术可以为人们提供各种各样的服务,例如运动分析、人机交互、健康检测、跌到检测、情境感知等。长久以来,大多数研究者针对人体行为识别技术的研究都是采用的可穿戴式传感器,这类传感器不仅成本较高,而且不便于用户进行测试。而现在的智能手机搭载了许多的传感器,并且具有便携性、易用性以及实用性等特点。此外,使用智能手机的传感器可以方便的进行数据的采集,而不需要佩戴额外的可穿戴式传感器,并且在日常生活中具有相对较低的侵扰性和较高的依赖性,能够进行长期的监控。虽然智能手机具有很多的优点,但是也有一些不足,比如它的计算资源有限、利用它的传感器进行采集数据会受到噪声的影响等。在基于这样的背景下,本文通过对基于智能手机传感器的人体行为识别技术进行了详细的研究,具体的研究内容如下:1)本文通过在Android手机平台上开发了一款传感器数据采集软件用于采集本文所需要的9种人体行为数据。使用移动平均滤波器、一阶数字低通滤波器和滑动窗口分割技术分别对采集的人体行为数据进行了去噪、分离重力和数据切分的预处理操作。2)本文提取了平均波峰、正数占比、极差斜率、均值比、绝对差均值、峰谷间距等新颖的时域特征,相比于频域和时频特征具有更低的时间复杂度和消耗更少的计算资源。使用基于随机森林的特征选择方法对提取的特征进行了选择,减少了大量的冗余特征和过渡拟合情况的发生。3)通过对人体行为相似性的划分以及对未见类别的识别,本文提出了一种人体行为分层组合分类模型。详细介绍了人体行为的分层结构以及使用一类支持向量机解决未见类别的问题。实验和分析表明,该模型具有较高的可扩展性和识别准确率,能够适用于比分类模型训练的已知人体行为种类更多的场景。4)通过对数据采集与预处理、特征提取与选择、分类模型的研究,本文提出了一套基于智能手机传感器的人体行为识别技术方案。根据该方案在Android手机平台上设计并开发了一款用户行为分析系统。该系统能够实时的识别和记录用户的人体行为,并根据人体行为计算其相关的运动指标。实验结果表明,该系统能够在资源有限的智能手机上运行,并且具有较高的识别准确率。