为了解决人体活动识别类别和准确度的预测方法中对传感器类型因素和识别方法考虑不足的问题,利用智能手机集成的惯性传感器、磁力计、气压计等多模态传感器,提出了融合智能手机多模态传感器的人体活动识别方法,并采用Stacking融合传统随机森林、支持向量机、K最近邻和朴素贝叶斯算法,通过学习训练集数据形成优化的人体活动识别分类器.实验显示系统的准确率达到99.0％,同时系统的敏感度和特异性分别达到99.0％和99.8％,很好地区分了走路、上楼和下楼这3种比较相似的动作.与传统单传感器活动识别系统相比,本系统的准确率、平均敏感度和平均特异性均为最高,比支持向量机算法分别高出14.0％、11.4％和2.1％,比K最近邻算法分别高出3.4％、3.3％和2.0％,比随机森林算法分别高出1.8％、2.0％和0.6％.