随着科技的发展,未来的中国会迎来一场信息化智能化的产业革新,这其中主要以物联网和人工智能技术为代表。与此同时,物联网和人工智能技术的普及也将极大地促进边缘计算的发展。由于边缘计算可以有效地缩短物联网系统的延时和能耗,并保护用户数据的隐私,因而会成为物联网和人工智能技术相结合的主要应用领域。在边缘计算大发展的背景下,基于边缘穿戴设备的行人运动感知在近年成为了备受关注的研究领域,并在室内定位导航、智能软件设计以及老年人看护中扮演着日益重要的角色。虽然目前基于穿戴设备的行人运动感知领域已取得许多研究成果,但以往的工作中仍存在许多待解决的问题。这些问题包括:（1）不完备的数据集。以往工作中的数据集往往只包含某一特定的场景或特定的设备使用姿态,这与实际情况不符,也无法客观地反映系统的真实性能。（2）缺乏对感知系统中关键参数的分析研究。这些参数同时决定着感知系统的精度和能耗却没有得到重视,导致不同工作中参数的设置各不相同。（3）缺乏对高精度低能耗识别算法的研究。以往的研究都聚焦在提升算法的精度上,却忽略了模型的体积和能耗,而高精度、低能耗、可移植的算法才是感知系统落地的关键。从这些问题出发,本文对可穿戴计算中高精度低能耗的运动感知技术进行了深入的研究。全文的工作主要围绕以下3点:（1）系统地研究了运动感知系统中的关键参数对识别结果的影响。作为感知系统中的关键参数,系统所使用的传感器类型、采样率以及数据块长度直接决定着系统中输入信息的完整性和整体能耗。这一部分的工作基于大型的数据集和常见的机器学习算法,对日常运动模式以及特殊运动模式（摔倒）识别中,不同类型的参数对识别结果的影响进行了全面的分析。理解这些参数对识别结果的影响有助于在保证精度的前提下,针对不同的应用场景选择最优的参数配置,是实现高精度低能耗运动感知系统的基础。（2）针对日常运动模式识别的应用场景及识别过程,提出了一种高精度低能耗的识别算法,并实现了基于该算法的感知系统。由于日常运动模式识别的主要服务对象是大众,从便携性及基于手机的智能软件设计的角度出发,其最优的实现平台是智能手机。因此,这一部分的工作主要依托智能手机对日常运动模式识别的流程,提出了一种新的算法,LCAMMR。该算法首先基于轻量深度卷积对传统的深度神经网络进行裁剪压缩,以降低模型的体积和能耗。之后,LCAMMR又针对模型进行数据处理的过程,设计了一种动态的局部特征提取方法。该方法可以避免模型在运行时冗余的特征计算,从而进一步降低能耗。研究表明,相比其他算法,LCAMMR可以在实现高精度识别的同时,上百倍地降低模型的能耗,从而有效地解决了日常运动模式识别中算法精度低、能耗高的问题。这也使得该算法更适用于计算资源和电池容量有限的移动端设备。（3）针对特殊运动模式（摔倒）识别的应用场景及识别过程,提出了一种高精度低能耗的摔倒识别算法,并实现了基于该算法的感知系统。与日常运动模式识别不同,摔倒识别的服务对象主要是老年人群体,应用场景也多见于养老院和医院等看护场所,因此更强调系统自身的稳定性和成本。这种情况下,低成本的小型腰部设备在摔倒识别的相关工作中最为常见。这一部分的工作主要依托小型腰部设备针对摔倒行为自身的特点,提出了一种新的算法,CMFALL。CMFALL是一种串联式并行的多模态识别方法,该方法同时利用了摔倒过程中人体呈现出的特有的信号特征以及卷积网络的建模能力。CMFALL首先结合摔倒过程中传感器信号变化的特点对摔倒进行初步探测,之后再利用所设计的轻量自注意力卷积网络来平衡算法在识别中的精度和能耗。研究表明,相对于其他算法,CMFALL可以在实现高精度识别的同时,上千倍地降低模型的体积和能耗,从而解决了摔倒识别算法精度低、能耗高、移植难的问题。这也使得该算法更适用于计算资源和电池容量有限的低成本穿戴设备上。