El reconocimiento de actividades humanas (HAR) se ha utilizado cada vez más en la atención médica, el análisis de comportamiento y la industria del entretenimiento para mejorar la experiencia de los usuarios. La mayoría de los trabajos existentes utilizan modelos fijos para identificar diversas actividades. Sin embargo, no se adaptan bien a la naturaleza dinámica de las actividades humanas. Investigamos el reconocimiento de actividades con conciencia de transición postural. Los datos del sensor inercial fueron procesados por filtros y utilizamos tanto el dominio del tiempo como el dominio de la frecuencia de las señales para extraer el conjunto de características. Para la clasificación de posturas correspondiente, se consideraron tres algoritmos de selección de características para seleccionar 585 características y obtener el subconjunto óptimo de características para la clasificación de posturas. Y adoptamos tres clasificadores (máquina de soporte vectorial, árbol de decisión y bosque aleatorio) para el análisis comparativo. Después de los experimentos, la máquina de soporte vectorial dio mejores resultados de clasificación que los otros dos métodos. Al utilizar la máquina de soporte vectorial, pudimos alcanzar hasta un 98% de precisión en la clasificación multiclase. Finalmente, los resultados fueron verificados mediante estimación de probabilidad.