无线体域网是由可感知人体多种生理参数的轻便、可穿戴或可植入的传感器节点构建的无线网络。无线体域网为人体健康监测提供了新的手段,在疾病监控、健康恢复、特殊人群监护等领域有着巨大的应用意义和需求。通过佩戴在身体上的微惯性传感器,体域网可以采集人体的运动信号,在人体动作监测方面得到广泛应用,可实现人体动作识别、异常动作检测、步态识别与分析、运动能耗分析等目的。在利用无线体域网进行人体运动监测过程中,如何在满足身体活动监测指标要求的同时提高传感器节点的能量有效性,以便能在实际应用中长时间不间断地进行人体动作监测,是一个具有挑战性的问题。本文以由多个可穿戴的微惯性传感器构成的无线体感网为研究对象,围绕能量有效性,以稀疏表示和压缩感知理论为主线,从信号识别、信号压缩、数据融合、功率控制这四个方面展开研究。主要工作和创新点如下：(1)提出了一种基于自学习稀疏表示的动态手势识别方法L-SRC.针对手势识别中手势长短不一的问题,将手势样本向量进行归一化线性插值,从而将手势识别问题转化为求解待识别样本在训练样本中的稀疏表示问题；针对如何提高手势识别精度和速度的问题,采用基于类别的字典学习方法寻求一个较小的并经过优化的超完备字典来计算待识别样本的稀疏表示,从而在手势识别阶段大幅度缩减识别算法的计算复杂度,满足快速识别要求。在包含18种手势的数据集上验证了提出的L-SRC手势识别方法在保证识别精度的同时提升了识别速度。(2)提出了两种压缩分类的动作识别方法RP-CCall和RP-CCeach.针对运动信号的时间冗余性和稀疏性,结合压缩感知和稀疏表示理论,将传感信号压缩与动作识别相结合,以满足一定动作识别率的同时降低传感器节点的能耗。两种RP-CC方法是在传感器节点上利用随机投影对运动信号进行数字化的压缩采样,通过减少无线体域网的数据传输量来节省能耗；在基站上直接对压缩的数据建立稀疏表示的人体运动模式识别模型,利用稀疏系数的分布来实现动作识别。理论分析了压缩分类动作识别方法能正确识别的基本条件。找到了能在存储和计算资源有限的传感器节点上实现的随机投影矩阵。在包含13种动作的数据集上进行了验证,结果显示RP-CCall方法和RP-CCeach方法在对压缩的数据识别时也能达到无压缩时相近似的识别准确率,并高于最近邻、支持向量机等分类方法。(3)提出了基于分布式压缩感知和联合稀疏表示的动作识别方法DCS-JSRC.针对无线体域网中多传感器采集的运动数据之间的时空相关性,采用分布式压缩感知在传感器节点进行分布式压缩,充分利用这种相关性来进一步压缩数据以降低传输能耗。在基站通过探索多传感器节点感知运动信号的时空相关性,构建适用于动作识别的联合稀疏表示模型,将多传感器的动作识别问题转化为多变量稀疏线性回归问题来求解。采用层次贝叶斯模型来求解稀疏表示系数,利用不同传感器节点的相互关联来进一步提高动作识别的准确率。在动作数据集上进行验证,实验结果显示DCS-JSRC方法在相同压缩比的情况下获得了比RP-CCall方法和RP-CCeach方法更高的识别准确率。(4)设计了轻量级的基于动作行为的自适应功率反馈控制机制PID-A。针对无线体域网中链路通信质量受人的运动、姿态变化影响具有动态时变特性,通过实测人体不同动作以及发射功率变化对无线链路的影响,分析和总结了在人体不同运动状态下节点的发射功率与链路通信质量的变化特性和规律,在此基础上建立基于反馈的功率控制系统模型,结合人体动作识别的结果,来动态调整无线体域网中节点的发射功率。实验结果显示PID-A功率控制机制可保证在数据包成功接收的条件下降低了传感器节点发送数据包的平均能耗。(5)为了验证算法在实际系统中的性能,设计并实现了用于人体运动监测的无线体域网原型系统。利用所构建的基于微惯性传感器的无线体域网,采集人体在日常活动中的动作信号,实际验证了所提出的动作识别算法的识别准确率,并对传感器节点的能耗进行了分析,验证了算法的能量有效性。