行为识别是计算机领域热门的研究课题,其已经在不同领域实现了新颖的应用,例如医疗保健、安全和娱乐。随着信息时代的快速发展,微型机电系统(MEMS)技术不断发展和微型传感器的推出,智能终端逐渐成为研究行为识别的有力工具。利用智能终端进行行为识别的方法具有易携带、高鲁棒性和不影响用户正常生活等特点。由于智能终端中的传感器可以检测用户的运动数据,因此,可以利用智能终端来提高识别准确率。然而,该行为识别方法依然存在识别率比较低的问题,特别是相似活动的识别率更低,计算复杂度略高,这些问题都导致识别系统实用性不高。因此,为了能够进一步解决以上问题,本文做了相关的研究,并提出了相应的解决方案。针对行为识别中相似活动的识别率不高问题,本文提出了一种基于智能手机的相似活动的识别系统。本文先通过公式将三维的加速度数据转换为五维向量,提高数据的有效性。之后利用特征提取和特征选择算法获得最优特征集。最终,利用多层感知分类器进行最分类识别。实验结果表明,本文提出的模型识别的平均准确率为99.2%,比一般的研究成果的准确率提高了约3%。相似活动的准确率提高了约5%。针对行为识别中跌倒检测的准确率不高、误报率较高的问题,本文在阈值检测法的基础上,提出了阈值检测和机器学习检测相结合的混合法。先对活动进行一个预判断,若满足条件,则预判为跌倒,并将预判为跌倒的行为再利用机器学习进行进一步分类。反之,预判为日常活动,继续监测。实验结果表明,此方法不仅提高了识别的准确率,减少误报率,并且降低了算法的复杂度。