在智能家居环境下,通过部署的传感器来获取环境数据,利用行为识别知识处理这些数据,来感知居民需求,为居民生活提供帮助。虽然行为识别技术经过长期的发展已经有了很大的进步,但是在很多方面仍然具有不少挑战。例如在动态传感器数据流分割方面,现有的技术有时会把同一个活动划分为多个传感器片段,或者把多个活动合并为一个活动。其次,在数据标记方面采用人工标记不仅耗时费力,而且容易出错。在特征提取方面只采用预定义特征或者离散特征没有关注传感器的时间序列属性等问题。针对上述问题,本论文进行以下三个方面的研究:(1)针对动态传感器数据流分割边界难以确定等问题,本文提出一种基于边界传感器互信息的时间加权分割算法。首先统计训练集中作为边界的传感器组,然后统计每个边界传感器组在整个训练集中出现的个数以及作为边界的个数,用来计算每个传感器组的边界占比,最后统计每个边界传感器组的时间跨度。接下来进行分割得到分割后的传感器片段,然后利用分割后的片段进行活动识别。通过与现有方法进行对比,表明本文的方法具有更高的实用性。(2)针对数据标记工作费时费力并且容易出错等问题,本文提出一种基于半监督的数据标记改进算法。首先利用相似度比对公式,通过少量预定义活动数据对大量未标记数据进行标记,然后对不满足阈值的未标记数据进行聚类标记。通过与现有方面进行比对,表明本文的数据标记算法在数据标记方面具有较高的准确率。(3)针对特征提取过程中存在的问题,本文在预定义特征和离散特征的基础上,利用频繁序列来补充传感器之间的时间序列特征,同时利用TF-IDF算法来优选活动特征,减少特征向量的维度,并通过实验,表明本文的特征提取算法在准确率、精确率和召回率方面具有较多的优势。最后,本文利用Java实现上述算法,在Weka平台和华盛顿州立大学的智能家居系统CASAS的数据集得到实验结果并采用相关的评价标准对实验结果进行评价及比较,进而验证本文算法实用性。