近几年来，随着计算机网络技术的不断发展以及与其他技术的交叉应用，物联网(Internet of Things)的概念被提出并受到高度重视。现阶段，物联网技术被广泛应用于人们的工业生产和日常生活中，为人们的生产和生活提供便利和服务。智能家居(Smart Home)作为物联网技术的研究中的一个典型应用，旨在为人们提供简单、舒适、智能、安全的居住和工作环境，具有广阔的应用前景和商业价值，也是物联网研究工作的重点之一。智能家居的研究主要包括：嵌入式终端和设备、无线传感器网络和异构网络、家居环境的监控与远程控制、体感交互技术(语音识别、手势识别等)、居家安全系统、辅助(智能)决策系统等几个方面。目前智能家居中决策系统的设计过于简单或者完全依赖于人进行。可以通过机器学习的方法来提高辅助决策系统的智能性，减少人在智能家居控制上精力，实现“以人为本”宗旨，提供简单、舒适和智能的环境。本文主要研究BP神经网络算法在智能家居辅助决策系统中的应用。智能家居环境中需要考虑人与人之间的差异，不同的人对环境的要求不尽相同，因此需要考虑不同的人对舒适环境的要求，在进行辅助决策时因人制宜，提高辅助决策的准确性和智能程度。BP神经网络具有良好的自适应和非线性映射能力，可以通过学习掌握智能家居中人的“喜好”，做出最为合适的辅助决策。然而BP神经网络的准确度受神经网络结构和训练样本质量的影响较大，因此需要根据实际环境，合理的设计BP神经网络的结构，优化训练样本的质量，来提升辅助决策系统的准确性。不同的人对环境的要求有差别，导致产生的数据相互影响，降低了BP神经网络训练样本的质量。一种解决方法是通过特殊的方法找出这种差异，对环境中的人根据对环境要求进行分组，然后单独训练出相应的决策规则，辅助决策时对不同的人使用不同的规则，来保证训练样本的质量，提高辅助决策的准确性。本文通过对智能家居中人的行为的描述，结合环境信息，使用K最近邻算法，来表现人对环境要求的差别然后进行分组，确保相同小组的人对环境具有相似的要求，实现提高决策准确性和智能性的目的。综上所述，本文将神经网络应用于智能家居辅助决策系统中，使用合适的方法来提高样本质量和改进神经网络结构，在提升辅助决策系统的准确性和智能性方面进行了尝试，并通过实验验证了本文方法的可行性，和传统的辅助决策系统比较，具有更好的准确度和智能性，更符合智能家居“以人为本”的思想。