本课题研究面向加速度传感器的人体动作识别的有效方法。针对目前基于加速度信号的多类别动作识别精度不高的问题，拟提出一种人体动作识别整体研究框架。该框架综合了底层特征提取，中层表达和分类器设计。在信号底层特征提取过程中，拟采用基于张量表达与分析的信号处理方法，从而能有效的挖掘信号内在的结构特性。其次，在目前行为识别算法中，针对特征表达方面普遍存在的底层信号特征和高层语义之间的“语义鸿沟”问题，拟提出基于属性方法的特征表达。该属性表达是对低层特征的中层语义表达，能够有效的缓解语义鸿沟给行为识别带来的负面影响，为提高行为识别精度奠定基础。最后，为了提高行为模型的识别能力和鲁棒性，本课题拟采用稀疏编码与多元逻辑回归联合学习的识别方法。与现有方法相比，所提出的方法充分利用了底层特征与高层分类任务的联系，克服了底层数据繁多难以处理的问题，提高了行为识别的精度。
