随着传感器技术的发展和普及,智能穿戴设备逐渐进入大众的视野。智能穿戴设备通过实时获取的传感器信号识别当前用户正在进行的活动。同时,随着生活质量的提高,人们比过去更加关注自己的健康状况。规律的日常活动与身体健康状况息息相关。因此,为了更好的监测健康状况,人类活动行为的识别就显得十分的重要。人类活动行为识别主要指识别出走、跑、跳等人类日常行为活动。本文基于活动识别在特征选择和模型构建方面存在的一些缺陷的基础上,提出新的特征抽取与模型构建的方法,同时进一步探讨活动识别与健康的关系。本文主要从以下三个方面展开研究:1.为了解决人类活动识别问题中特征选择的主观性问题,提出了基于主成分分析的特征融合方法。首先探究先验特征(时域和频域特征)和非先验特征的有效性,进而通过PCA算法对先验和非先验特征进行了融合。该特征融合方法减少了特征选择的主观性,同时降低了特征的复杂度,又保证融合后数据的有效性,提高了活动的识别准确率。2.针对人类活动识别问题中个体数据的稀疏性导致分类模型泛化能力差的问题,提出了一种基于稀疏表达的用户依赖模型。通过用户样本间余弦相似度聚集相似用户的数据,进而更新过完备字典,构建用户个性化模型。该模型可以最大化的降低新用户在短期内标注数据不足的缺陷,提高个体用户模型的泛化能力。3.基于传感器设备收集到的活动和睡眠数据,对活动和睡眠的关系进行了研究。探究了运动和睡眠参数对睡眠健康影响的有效性,进而融合运动和睡眠参数特征,在支持向量机方法下对睡眠健康状况进行预测。预测结果表明,人类活动在一定程度上可以提升睡眠健康质量。