基于惯性传感器的肢体活动识别技术是人机交互和普适计算领域一个新兴的研究方向,并在智能人机交互、医疗保健、教育和运动分析等领域进行了广泛地研究。然而基于惯性传感器的肢体活动识别技术应用在建筑领域还处在一个缓慢发展以及探索可行性的过程,早期研究未能考虑到惯性传感器位置对施工活动识别的影响,且由于施工活动的复杂性使得基于惯性传感器的施工活动识别还有待研究。因此本文重点研究了基于多类型惯性传感器协同下施工活动及工人工效的识别,主要工作如下:基于多类型惯性传感器协同的施工活动识别。文献研究确定了装卸材料施工任务分解的四种活动作为施工活动识别对象,且通过活动与身体部位相关性分析选择了身体四个部位放置设备单元。进行实验一和二收集受测者的装卸施工活动数据,原始数据使用低通滤波器去噪、信号分割及特征提取形成特征向量。为确定窗口尺寸,使用神经网络分类方法分别生成五种窗口尺寸下的不同位置及类别数据模型,综合分析确定了单一位置及类别惯性传感器模型性能最佳及均衡的信号分割窗口尺寸为3s。随后实验数据对比分析了单一位置、两个位置组合、三个位置组合和四个位置的惯性传感器类别配置模型性能结果,最终得出最优惯性传感器类别及位置组合为脚踝+上臂+手腕的加速度(A)。验证了基于多类型惯性传感器协同下工人工效识别的有效性。在研究出的最优惯性传感器类别及位置组合基础上,使用实验二的受测者实际施工活动数据,分析验证了脚踝-A+上臂-A+手腕-A模型性能最优,且在该模型基础上识别实际施工活动并预测计算出各项施工活动时间占比,通过与实际结果对比得出高性能的惯性传感器类别及位置组合模型识别的施工活动时间占比无太大差异,这令人信服的数据结果验证了基于多类型惯性传感器协同下工人工效识别的有效性。最后综合开发了一套基于机器学习的多惯性传感器协同工作下建筑工人身体姿态动态识别与工效监控系统并使用实际施工活动数据验证了该系统的可靠性。