随着家用汽车的普及与车载电子设备的高速发展,汽车使用者对智能车载设备有着更高级的要求。目前,作为智能汽车尾门关键组成部分的汽车尾门信号分类算法,主要以基于规则的算法为主,缺乏应对用户多样性操作的能力。本文从机器学习入手,将经典的机器学习分类方法应用于汽车尾门信号分类,率先尝试使用OS-ELM算法在线训练尾门信号模型,并对现阶段在时间序列分类的研究领域中应用模型进行改进与融合,从而得到新的效果更好的尾门信号分类模型,并通过实验来证明本文提出的尾门信号分类模型的有效性以及优越性。本论文主要贡献如下:（1）由于相关学习资源有限,没有标准的汽车尾门信号数据集,汽车尾门信号数据集由作者及相关志愿者共同采集,其中定义为启动信号的类型包括:快踢信号、慢踢信号、标准踢、扫腿踢、抬腿踢5种启动类型,定义为干扰信号包括但不限于:小型动物穿行、行人靠近远离或伫立、车底有异物、汽车保险杠接触障碍物等多种干扰信号。信号采集人员男女比例5:2,实验过程中,着装多样化,包括皮鞋、运动鞋、帆布鞋等,数据集将用于本实验的算法验证。（2）传统机器学习具有线下训练,线上分类的工作模式,对模型训练完成后,直接进行分类工作。在线下阶段,如果有新数据参与训练,需要将旧的数据和新的数据重新组成训练集,进行模型训练。在线OS-ELM算法在初始化模型完成后,即可进行分类工作,并且模型可以随时接受新数据样本进行模型修正,其工作原理是先提取电容信号的时域特征和频域特征。将提取出的特征向量批量输入到OS-ELM训练模型,实验表明,模型的准确率会随训练样本的批次增加而提高,本文中使用的基于汽车尾门信号分类的OS-ELM算法,相比经典机器学习算法更适用于汽车尾门信号分类,分类模型经过多批次迭代,分类效果要优于经典ELM模型。（3）使用动态时间规整（DTW,Dynamic Time Warping）算法计算参加训练的电容信号与提前设置标准模板信号之间的相似度,根据不同的相似度动态调整循环神经网络LSTM的学习速率,目的是训练以标准模板信号为主要识别目标,其他脚踢信号为次要识别目标。在相同数据集和同样的实验环境下,通过实验对比K近邻算法（KNN）模型、K-means聚类模型、和支持向量机SVM模型,发现结合了动态时间规划DTW算法的LSTM模型在尾门信号实验中表现更佳,更满足实验的目的。