针对现有人体行为识别系统识别精度不高，且不便于日常使用的缺点，提出了一种用于智能手表的神经网络分类算法。采用基于PCA的特征提取方法对Apple Watch智能手表采集到的三轴加速度数据进行特征提取，结合动量-自适应学习率BP神经网络分类算法有效识别出了行走、慢跑、上楼梯、下楼梯四种行为，识别准确率达到82.36%。与朴素贝叶斯算法和决策树分类算法进行对比实验，结果显示基于PCA的神经网络分类算法进行人体行为识别准确率更高。

针对人体行为识别问题，提出一种基于径向基函数（BP）神经网络的人体行为分类算法。首先，利用奇异值分解（SVD）算法提取视频每一帧的奇异值，将每一帧的奇异值按照行拼接起来即为一个视频的样本，样本按照行排成样本矩阵；然后，利用主成分分析（PCA）对得到的矩阵进行去相关并且降低维数，降低维数的矩阵再进行线性鉴别分析（LDA），使样本变得线性可分；最后，利用BP神经网络对样本进行分类；实验结果表明，与采用最近邻分类和K近邻分类（kNN）相比，所提算法具有更高的识别率。