随着当下物质生活的日益富足,拥有更加健康的生活方式成为了人民群众在日常生活中追逐的目标,而以篮球为代表的体育运动则是提高身体机能的有效途径。在篮球运动愈发普及的今天,越来越多的学者将目光投向利用数字化及系统化的管理方式进一步提升篮球运动的安全性和有效性上。建立一套完整可靠的篮球运动数据分析系统,对运动员进行分析和指导是未来数字化运动的发展趋势。然而,当前该类系统多是基于视频监测技术展开的,其实际运行过程受部署环境限制且存在成本昂贵等缺点。为了实现篮球运动分析的广泛普及,本文利用智能可穿戴设备的多传感器系统采集运动员的基础数据,通过人工智能等先进的数据处理算法进行信息挖掘,研究实现对篮球运动员的步法识别与轨迹跟踪。本文的主要工作与贡献总结如下:（1）本文借助智能鞋垫内嵌的多个传感器设备采集篮球运动员步法动作的加速度和角速度等初步数据信息,采用卷积神经网络（CNN）对篮球运动员的侧滑步、后撤步、交叉步、试探步和跳步这五种步法动作进行识别分类,并且通过调整卷积核大小和卷积步长等超参数优化神经网络性能。所设计的算法模型相比K近邻（KNN）算法和支持向量机（SVM）算法获得了更高的识别准确率。（2）为了进一步提高卷积神经网络识别篮球运动员步法动作的计算效率和准确率,设计了双模型卷积神经网络（DMCNN）结构,将传感器采集到的高维数据依据数据特征进行切分并作为两个卷积神经网络的输入,使其与输出特征形成合理的映射关系。另外,为了优化DMCNN的训练时间,采用主成分分析（PCA）的方法对特征向量进行降维。实验结果表明,DMCNN的性能要优于单一的CNN结构。（3）为了获取篮球运动员的运动轨迹,本文利用智能鞋垫中的传感器阵列采集原始数据,结合四元数和互补滤波算法建立旋转矩阵将传感器坐标系下的数据转换到参考坐标系下。最后,通过对数据进行漂移校正有效还原运动轨迹。实验结果显示,本方案实现篮球运动员的轨迹跟踪时位移误差较小,具有较好的性能表现。