在基于加速度信号的人体行为识别中，LDA是较常用的特征降维方法之一，然而LDA并不直接以训练误差作为目标函数，无法保证获得训练误差最小的投影空间。针对这一情况，采用基于GA优化的LDA进行特征选择。提取加速度信号特征，利用PCA方法解决“小样本问题”，通过GA调整LDA中类间离散度矩阵的特征值矢量，使获得的投影空间训练误差最小。采用SVM对7种日常行为进行分类。实验结果表明，与单独采用PCA和采用PCA LDA方法相比，基于GA优化的LDA算法在保证较高识别率的同时能有效降低特征维数并减小分类误差，最终测试样本的识别率可达95.96%。