人体运动识别是当前研究的一个热点,如果能实现对人体运动的准确识别将会给未来带来一种新的交互方式。随着现代科技的发展,以人体运动识别作为基础可以给各类上层的应用平台提供支撑,如智能家居、老人监护、病人监护、交通行为监控等这些方面都具有非常广泛的应用前景。随着科技的进步,移动设备正在变得越来越复杂,现代的智能移动设备在里面集成了多样化并且功能强大的传感器。其中最常见的就是智能手机,内部配置有各种传感器,如陀螺仪、光线传感器、加速度传感器、距离传感器等。在传统的人体行为识别中,采集的设备多用绑带式或背带式,为的是在人体的各个关节配上传感器,检测人体运动数据信息,这种的方式的缺点很明显,它们大多比较繁琐而且不适宜用于室外监测和长期携带。基于移动设备对使用者行为活动的识别是现在一个比较热门的研究邻域,它的进步将会推进医疗监护,智能化家居等各邻域在移动端的跨时代发展。邻域嵌入算法可以有效地对数据簇进行降维并使其可视化,因此,如何提升邻域嵌入算法的鉴别性并能够将其应用于人体行为识别领域这其中的研究价值是不言而喻的。本文针对于移动设备对人体行为识别的问题,着眼于人体的加速度信号,分析了基于t-SNE邻域嵌入算法和k-means、SVM等聚类算法,针对邻域嵌入算法和局部密度峰值算法的不足,提出改进,并应用于人体运动识别,同时针对不同人群的人体识别进行了区别分析。主要工作如下：(1)设计了一个基于安卓平台的数据采集系统,用于实时采集用户的运动加速度数据,并通过无线网络将数据传输到服务器。该系统可以安装于任意安卓系统的移动设备中,每个用户都有独立的数据库进行数据采集和分析。它的最大优点在于将采集系统安装在手机等移动设备中方便携带,不影响采集者的正常生活和工作,便于获取更真实的人体运动数据。(2)通过引入流形学习算法t-SNE,针对其在处理时间上的不足,提出基于中位数的改进方法。在保留原有降维算法的优点之外,提升算法处理效率。(3)对局部密度峰值的聚类算法提出改进,并将改进后的算法命名为密度峰值聚类算法(DPC, Density Peaks Clustering)。最后结合改进后的t-SNE与DPC得到一种快速聚类的算法,并将其应用于人体运动识别的实验和分析。(4)由于已有的数据采集多为健壮青年人,并以在校大学生为主,数据没有代表性。本文的研究中,首次在老年人和小孩中开展实验采集数据,用于作为对比数据,分析与正常成年人数据之间的区别。