本文根据智能家居领域的需求,将针对两类智能家居数据源进行用户行为分析研究:第一类是面向智能手机传感器的用户行为识别;第二类是面向智能设备传感器的用户行为预测。针对目前智能家居用户行为研究算法,未能很好地针对数据集的特点对学习模型进行适配性的设计,提出了相应的智能家居用户行为识别与行为预测算法,并详细地分析了实验结果。本文主要研究工作如下:（1）文中介绍了智能家居的概念以及智能家居数据采集方式,重点研究了目前应用于智能家居传感器数据处理技术与行为学习模型,分析了智能手机传感器数据与智能设备传感器数据的特点。（2）总结与分析目前应用于智能手机传感器人类行为识别算法的缺陷,提出一种基于多通道一维卷积残差网络模型的行为识别算法。首先,针对目前行为识别方法存在特征丢失问题,该算法根据智能手机传感器数据的三维特征,利用三个一维通道提取数据特征。其次,针对网络模型随着层数的递增出现的退化问题,该算法采取残差网络结构学习用户行为特征,从而进行用户行为活动分类。最后,在两个公开数据集上进行实验验证,采用类激活图对算法实验结果进行详细地解释说明。（3）针对目前智能家居用户行为预测方法准确率低、通用性差以及缺乏人性化的问题,提出一种基于Bi GRU-DAtt模型的智能家居用户行为预测方法。该方法根据智能家居用户操控行为数据具有服从齐普夫定律分布与对称性两大特点,首先基于双向门控循环神经网络挖掘用户操控行为之间的关系,然后基于注意力机制重点关注一定范围内具有对称性的操控行为,最后使用真实用户操控记录进行对比实验。结果表明该方法能够充分挖掘用户操控智能设备之间的关联关系以及用户的行为习惯,实现高准确率的用户行为预测。