人体行为识别(Human Activity Recognition,HAR)不但被广泛应用于军事、反恐、国家安全等领域,也越来越多的渗透到了医疗监护、健康监测、环境辅助生活等日常生活的各个环节,极大地提高了病患康复护理水平,改进了残障人士生活质量,减少了老年人群的意外伤害概率。目前已经有多种技术应用于HAR领域,例如视觉识别、信号识别,以及传感器识别等模式。虽然视觉识别具有良好的识别精度,但带来了较大的隐私泄露隐患,并具有易遮挡、光照敏感等固有缺陷;而信号识别虽然具有device-free和隐私保护的优点,但是对环境的噪声较为敏感,且不适合于人员密集环境。因此基于传感器的人体行为识别是一种更为可行的选择。然而,目前基于可穿戴传感器的人体行为识别方法,普遍存在着识别精度低、容错性较差等问题,据此本文提出了一种基于多传感器融合的多级决策行为识别方法,并通过部署优化来进一步提升精度。首先,本文针对于现有研究中普遍存在的识别精度底、容错性差的问题,提出了一种基于多传感器融合的多级决策行为识别方法。该方法通过对多传感器进行决策级融合,并依靠一种多级决策模型提高行为识别的精度,同时,该模型具有传感器间低耦合性的特点,可以保证较高的容错性,以应对实际环境下传感器故障的情况,使整个行为识别系统具有较高的容错性。其次,在基于可穿戴传感器的行为识别中,传感器部署方案的不同,会导致不同的识别精度,而传统的经验式部署方案并不能保证最佳的传感器布局,为进一步提高识别精度,同时考虑到实际应用系统中传感器部署代价的影响,本文提出了一种基于CM-WOA的多传感器部署优化方法,以在识别精度和传感器部署代价中找到平衡,在最大程度提高识别精度的前提下,部署尽可能少的传感器。最后,通过实验验证了本文所提出的基于多传感器融合的多级决策行为识别方法的有效性,以及基于CM-WOA的多传感器部署优化方法的有效性,并且通过模拟真实场景下传感器故障的情况,验证了本文所提出的行为识别方法具有较高的容错性。