自动地识别人类的物理活动,通常被称作是用户活动识别(HAR)技术,是人机交互和普适计算领域中一个重要的研究方向,其目的在于自动获取关于用户活动的信息并提供给相关的服务或应用,使它们能够更加主动和准确地辅助用户完成他们的目标。传统的用户活动识别技术主要使用基于计算机视觉的方法,该类技术通过图像处理方法对静止图像或者视频进行分析,从而提取出用户的活动并对活动的类别进行判断。虽然该类技术已经得到了广泛的研究,但是其仍然存在着较为明显的缺陷。首先,该类技术依赖于外部设备,因此使用范围被限制在已经部署了图像采集设备(如摄像头)并且可被这些设备观察到的区域内；其次,由于图像所能传达的信息非常丰富,会有除了用户活动之外的其他信息被泄漏的风险,因此该类技术也存在较为严重的隐私问题；最后,由于图像处理和视频处理技术对网络传输带宽和计算能力要求较高,在现有技术条件下很难做到实时处理,因此也限制了该类技术在实时系统中的应用。近些年来,随着智能移动设备(如智能手机和可穿戴设备)和相关传感器(如动作传感器和皮肤电传感器)等技术的飞速发展,用户活动识别技术研究的重点正从基于计算机视觉的方法转向在用户随身携带的智能移动设备上基于其他传感器的识别方法。这些新兴的基于智能移动设备的用户活动识别技术没有了对外部设备的依赖,更加符合普适计算中“随时随地”的要求。该类技术按照所使用的传感器类型可以分为三类,即：基于动作传感器的识别技术,基于声音传感器的识别技术,和基于其他生理指标传感器的识别技术。其中基于动作传感器的识别技术,是目前学术界重点研究的领域,也是本文所关注的问题。传统的基于动作的活动识别技术一般采用静态的模式识别方法和较为简单的时间概率模型,这些模型都忽略了人类活动存在持续时间的模式这一特性,事实上,不同活动持续时间的差异能够为识别活动类型提供重要的线索。另外,并不是所有的活动之间都存在着显著的动作差异,在某些情况下不同活动的差别更多地是由用户所处的环境决定的,然而单独的动作传感器只能提供对用户动作的测量,而不能提供对用户所处环境的观测,因此不利于对动作差异较小的活动进行区分,也不利于对更加复杂和高级的人类活动进行识别。针对上述基于动作传感器的用户活动识别技术所存在的问题,本文首先总结了目前学术界研究成果中所采用的各种移动设备和传感器,并分析其各自的适用性和优缺点,然后提出了一种基于智能手机和可穿戴设备的活动感知框架,该框架可以同时利用可穿戴设备的持续感知能力和智能手机丰富的传感器以及强大的计算能力。在此框架的基础上,本文针对用户活动识别技术进行了以下四个方面的研究：1)研究通过半马尔科夫模型对活动持续时间进行建模并利用该模型实现对用户活动的识别；2)研究对动作传感器数据和环境信息观测进行融合的方法以提高用户活动识别技术的性能；3)研究如何在用户活动识别的基础上实现对用户活动的预测,提出并研究了基于活动预测的传感器调度问题;4)研究如何在半马尔科夫模型中实现对异常活动的识别,提出并研究了与异常活动相关的被暴力侵犯监测应用。本文的创新点如下：第一,本文提出了基于智能手机和可穿戴设备的识别框架。该框架基于如下的考虑：可穿戴设备由于空间和成本限制,传感器比较单一,计算能力较弱,但是往往经过特殊的设计以支持持续的感知,而智能手机搭载了更为丰富的传感器组和强大的计算单元,但是由于任务较多和能耗限制,无法支持持续的感知。因此,通过将两者结合,使得低能耗、持续而且基于多类观测数据的用户活动识别技术成为可能。第二,为了实现对活动持续时间的建模,我们将隐半马尔科夫模型和半马尔科夫条件随机场引入到用户活动识别技术中,并对这两种模型进行了修改使其适应活动识别技术中特定的问题。具体地,我们通过混合高斯模型得到对于不同活动类型中特征向量分布的概率密度描述,并以此来代替标准半马尔科夫模型中针对离散观测变量的观测概率。除此之外,我们研究了在半马尔科夫模型中通过特征融合和模型融合这两种方法对由动作传感器提供的动作信息和由声音及位置传感器提供的环境信息进行利用,以提高活动识别的性能,我们通过实验对两种融合方法进行了比较,并分析了其各自的优缺点和适用场景。第三,本文研究了如何在基于半马尔科夫模型的活动识别技术的基础上实现对活动的预测,我们将活动预测问题进一步细分为对尚未结束活动的预测和对尚未开始活动的预测，并针对这两种问题分别提出了相应的解决方案。然后,我们提出了用于降低感知能耗的传感器调度问题,并设计了基于对当前活动和下一活动持续时间预测的传感器休眠调度机制,通过该方法使得活动感知系统可以在识别到当前活动为不感兴趣的活动类型且预测到其剩余持续时间可能较长时,选择合适的休眠间隔并进入休眠状态。最后,我们对异常活动识别技术及其应用进行了探索和研究,我们首先将异常活动细分为了活动转移异常、活动持续时间和活动观测异常这三种类型,然后在本文所提出的基于半马尔科夫模型的活动识别技术的基础上设计了一种基于概率阈值的异常活动监测方法。另外,我们还提出了与异常活动识别相关的被暴力侵犯监测应用,其目的是在用户遭受暴力侵犯时能够自动地识别和报警。我们针对被暴力侵犯动作的特点提取若干有区分能力的特征并设计了一种基于组合分类器的识别方案,最后我们通过模拟暴力侵犯过程采集到的数据验证了该方法的有效性。