随着科学技术的发展,各种可穿戴智能设备和便携式移动设备的普及,群智感知技术具有广泛应用。在群智感知中,感知平台收集到大量的个体行为数据供研究人员进行个体行为识别技术研究,具有广阔的发展前景和很强的实用价值。感知平台需要招募用户参与数据收集任务,那么如何能够快速招募用户参与完成感知任务,然后对个体行为数据如何处理以及行为识别是本文解决的主要问题。本文主要研究内容如下:(1)提出了一种基于影响力最大化用户招募方案。群智感知中感知平台招募用户参与感知数据收集任务,需要数据量大且数据质量高,在社交网络中,如果一个用户具有较高的影响力,那么这个用户作为信息源进行信息的传播会更快速且传播范围更广泛。本文通过线性阈值传播模型分析用户影响力,结合贪心思想构建影响力最大化的用户集,从而能够招募到更多的参与者加入感知数据收集任务。(2)提出一种基于Jaya优化算法的个体行为识别方法。k-NN分类器的参数k值对最终分类结果有较大影响,但对于参数k的选择并没有预定义的规则,许多研究人员致力于寻找一种能够快速寻找k值的优化方法。与其他群体智能优化算法相比,Jaya优化算法无过多算法自身参数限制,并且简单易理解,所以,针对k-NN分类器的参数k值对最终分类结果有较大影响,本文提出一种Jaya-kNN行为识别算法,使用Jaya优化算法对k值进行寻优选择。利用公开的日常行为及运动行为数据集,对该识别算法的有效性进行了验证。实验结果表明,相较于常见的传统分类方法,Jaya-k-NN方法能快速找到使分类结果较优的k值,达到较好的识别效果。(3)针对单分类器识别率存在差异的问题,提出了使用集成学习方法进行行为识别,利用Adaboost与Random Subspace改变样本数据的分布,对得到的多个弱分类器进行集成,分别构建了Adaboost-k-NN和Random Subspace-k-NN个体行为识别算法。通过实验验证了集成学习模型能提升分类器的泛化能力,比单分类器行为识别模型具有更高的分类率。