人体运动捕捉和检测技术被广泛应用在康复医疗和助老服务中。MEMS器件的性能正随着MEMS技术的不断发展而不断提高,其体积小、重量轻、价格低等特有优势愈发凸显,也越发被研究人员所重视。MEMS惯性传感器可以用来测量加速度和角速度等人体运动相关信息,尔后通过解算,可得到姿态角的变化。随后,为了对人体运动状态进行分类,我们可利用模式识别的方法,以达到捕捉和检测人体运动的目的。文中基于MEMS可穿戴性传感器,主要研究了人体运动检测和姿态识别方法,该方法可为一些助老机构或康复机构提供外部运动信息。首先设计人体姿态数据采集装置（主要包括传感器模块、控制模块、无线传输模块以及电源模块）,采集的姿态数据通过无线传输模块传到PC端进行数据计算。对原始运动数据（包含数据预处理、姿态解算和特征提取三个部分）进行处理分析。通过四阶巴特沃斯滤波器抑制噪声,随后进行传感器的数据标定。其次进行姿态解算,先利用基于四元数的姿态解算方法求解姿态信息,进而以毕卡算法求解四元数的微分方程,最终实现姿态信息的实时更新。将解算出的姿态信息通过坐标转换,统一到腹部坐标系下,形成代表人体整体姿态的标准矩阵。计算标准矩阵的均值、方差、极差、最大值、最小值、四分位距和偏度特征,通过各姿态特征分布情况,来评估特征的可用性。最后构建的人体姿态识别算法,是通过静止姿态与运动姿态的二分类器,将数据分成静止姿态数据和运动姿态数据两类,静止姿态数据在二叉决策树中进行分类识别,运动姿态数据在支持向量机中进行分类识别,通过多层识别算法的构建,完成了七种姿态的分类识别过程。实验表明,系统开机3s时,对于运动姿态的识别率在40.8%,较为低下。但随着系统运行时间的延长,采集到的数据量也越多,系统开机11s后,静止姿态的平均识别率在99.9%以上,运动姿态的平均识别率在93.2%以上。基于标准矩阵提取的特征值在经历二次分类后,可实现对助老康复机构常见的七种人体姿态分类识别。