随着数据管理技术的发展与可穿戴智能设备的普及,个人生活数据受到了越来越多的关注。面向个人生活事件的检测一直是复杂事件检测领域的重要研究内容。通过将个人生活数据与事件检测有效地结合起来,可以更好地指导人们改善生活水平,提高生活质量,具有重要的研究价值和经济价值。简单行为事件主要是对个人身体状态的描述,例如坐立,跑步和走路等简单动作,这些行为事件可以显示出个人每天的运动情况,而适当的运动对于个人健康而言极为重要。面对智能设备中集成传感器快速发展的现状,本文提出了一种基于多传感器和多权重的简单行为事件检测方法MW_KNN,挖掘多个传感器数据在用户特定行为下的联系,并充分考虑到不同传感器对于不同简单行为事件的检测效果具有差异性,设置相应的特征权重,从而提高识别效果。提出了基于查询集过滤的优化方案,解决了KNN时间复杂度的问题。相关实验结果表明,利用多种传感器协同工作的简单行为事件检测模型可以有效提高人体简单行为事件的识别率,同时过滤方案可以有效降低行为检测所需时间。在获取个人实时的运动情况后,结合其他生活数据信息,本文提出了生活数据网络(Observations of daily living Network,ODL Network)的概念,并给出具体构造算法。为了构造典型的生活数据事件库,提出了面向生活数据网络的三种切割方法,分别为基于时间特征、基于空间特征和基于聚类的切割,这三种方法能有效地划分生活数据网络。其次,由于图编辑距离作为衡量两个图相似性的常用方法是NP-Hard问题,本文提出了三种面向生活数据网络的相似性度量方法来进行复杂行为事件检测,分别为基于星型结构的相似性度量方法(Star Mapping Based Network Similarity,StarMapping)、基于元路径的相似性度量方法(Metapath Mapping Based Network Similarity,PathMapping)和基于主结构序列的相似性度量方法(Dominant Structure Sequence Mapping Based Network Similarity,DSSeqMapping),这三种方法充分考虑了生活数据网络的语义信息和结构信息。实验结果表明,面对不同划分方式下的生活数据网络,各个算法的复杂行为事件检测效果也存在差异性,PathMapping更适用于时间特征划分,DSSeqMapping更适用于空间特征划分,StarMapping则更适用于聚类划分,另外,PathMapping的时间复杂度较高,DStarMapping和StarMapping两者相当。之后,针对面向生活数据网络的复杂行为事件实时检测的要求,基于上述三种检测算法提出了三种利用上下界进行过滤的策略,实验表明,三种方法都能有效地提高实时检测的效率。最后,本文设计并实现了一个面向生活数据的事件检测原型系统,用于生活数据的处理和存储以及事件检测技术的应用。