近几年,智能家居设备越来越流行,反应了人们对生活品质的要求越来越高,与人们家居生活密切相关的家电行业需要寻求新的技术突破来满足市场的要求。课题以校企合作项目中电热水器用户行为预测作为家电智能化研究的切入点,以用户日常使用电热水器的历史行为数据作为依据,采用马尔可夫链模型和机器学习算法对用户行为进行预测,从而能够根据预测结果对以电热水器为代表的智能家电设备进行预决策性控制,提升用户体验的同时减少能源的消耗。本文对家电用户行为预测技术及应用进行了研究,论文的主要内容和创新点如下:（1）基于企业实际的智能家电用户行为数据进行统计分析,以分析得到的用户行为特征作为参照基准,结合用户行为规律性的强弱对用户行为进行随机性等级分级,并模拟生成了对应等级的用户行为数据。（2）针对传统基于规则的用户行为预测方法已难以满足用户需求的问题,结合单机智能家电发展现状,采用了基于统计原理的加权马尔可夫链模型对用户行为进行预测研究。结合直接应用加权马尔可夫链预测用户行为的不足,提出了一种加权马尔可夫链与隐马尔可夫模型组合预测的方法。在使用隐马尔可夫模型对用户行为进行预测时,结合了相似行为数据筛选的方式来挑选用户相似的历史行为数据,最后对具有不同特征的用户行为数据进行预测实验,验证了本文提出的组合模型预测方法的可靠性。（3）针对实际场景中用户行为由于存在个体差异、相互干扰以及各种突发事件,传统的用户行为预测模型难以满足预测精度要求的问题,结合基于云服务器的智能家电的发展现状,采用基于深度学习的预测方法对用户行为进行预测研究。在对深度学习用户行为预测算法进行研究时,对比了深度前馈网络与长短时记忆网络两种模型,实验结果表明基于长短时记忆网络的用户行为预测模型表现较好。（4）在用户行为预测算法研究的基础上,将研究成果应用于企业研发的基于用户行为的智能热水器产品上,对研发的产品依据德国VDE认证标准、欧洲能效认证标准进行了实际的节能效果验证。结果表明,拥有用户行为预测技术加持的智能热水器产品节能效果明显,顺利通过了上述两项节能标准的认证。