为了辅助解决人口老龄化带来的人力不足问题,智能家居中的老年人日常行为识别系统应运而生。研究者通过在老年人的居住环境中部署相关传感器,获取其日常活动——比如睡觉、吃饭、吃药等信息,并利用行为识别知识处理这些信息,识别老年人日常行为,及时发现老年人日常行为中的异常。近年来,研究者们在智能家居日常行为识别领域取得了一定的成绩,但是还存在一些问题:（1）以往的研究方法大多统计传感器出现的频次,把频次进行相应的变换后作为行为的特征,这种方式打乱了传感器序列的顺序性,破坏了其上下文信息;（2）大多数研究者关注的是智能家居中单用户的日常行为识别,而未在多用户日常行为识别上进行太多的尝试;（3）深度学习的方法在智能家居日常行为识别上的应用还不广泛。本文针对上述问题进行了深入研究,并取得了以下研究成果:（1）针对多用户行为之间相互干扰导致识别率较低的问题,本文提出一种传感器重要性特征提取方法。该方法以行为开始传感器为基准,将以某个传感器为开始传感器的所有行为中其它传感器出现的概率作为其它传感器相对于该开始传感器的重要性,之后去除行为中小于重要性阈值的传感器,得到新的特征。（2）为了保持多用户日常行为识别中传感器的序列性,本文提出了一则时间与传感器序列相似度匹配的公式来进行日常行为识别。该方法首先使用时间聚类方法对行为进行聚类,将时间相似的行为聚集在一起,之后对时间和传感器序列进行相似度匹配,利用相似度高的前几个行为投票进行行为识别。这种处理方式保留了传感器之间的上下文信息,提高了识别的准确率。（3）为探究传感器序列在单用户日常行为识别中的应用,本文提出了一种基于传感器相关性的单用户日常行为识别方法。该方法首先提取出每个行为的传感器序列,并利用滑动窗口将行为分为固定大小的均等长度,然后采用Word2Vec方法将传感器序列映射为带有传感器上下文相关性的二维数字矩阵,输入到Text CNN模型对行为进行识别。本文采用了Python语言实现以上算法,实验数据来自华盛顿州立大学CASAS实验室的公开数据集。实验结果表明,本文提出的方法比以往方法能更好地识别智能家居中用户的行为。