近年来,越来越多的老年人在住宅中无法独立生活,而智能家居系统的出现可以在一定程度上解决这个问题。智能家居系统可以自动识别日常生活行为,给用户带来更舒适的生活环境,并帮助改善老年人的日常生活。因此,在智能家居环境中进行准确的行为识别至关重要。尽管智能家居环境中的行为识别技术研究取得了重大进展,但是它仍然呈现出许多挑战。首先,现有的传感器数据流分段算法通常把传感器数据分成太多碎片,无法保证行为检测过程中用户行为的完整性。其次,一些现有的分类算法存在行为识别准确度不高的缺点。最后,用户在日常生活中可能会出现异常行为,而大多数研究者只关注正常行为模式,忽略了异常行为的表现。针对以上问题,本论文以基于非侵入式传感器的行为识别技术研究为目的,进行以下三方面的研究:(1)提出一种基于预定义知识的传感器数据流分段算法,对原始传感器数据进行分段得到传感器片段。之后利用基于主题模型的片段合并算法合并行为片段,最终得到一个完整行为片段。通过与现有方法进行对比,表明本文的方法具有较低的分段错误率和片段比率。(2)提出一种结合中心距离的改进K近邻(KNN)的行为识别算法,对传感器片段进行行为识别。通过与现有的几个基准分类器进行对比,表明本文的改进KNN算法有更好的行为识别准确度。(3)利用基于密度的聚类算法对相同的行为进行聚类分析,对比行为间的内在差异,来分离出不同时间的同一行为中的异常。实验结果表明,本文的异常行为检测方法可以检测出行为的两种异常表现,可以达到监测用户身体健康状态的目的。