日常行为识别技术是指利用智能家居环境下布置的传感器进行数据收集和数据分析,并根据分析结果进行行为识别,实现行为预测。比如,智能家居系统通过获得老年人日常的吃饭、睡觉、服药和看电视等相关活动数据,识别独居老人的日常活动,发现其是否存在认知功能障碍等,缓解人口老年化带来的人力不足,降低看护成本。在日常活动的行为识别过程中,通常需要收集和标注数据,但收集和标注数据的过程对时间和精力的耗费非常大,研究者采用了迁移学习的方法解决此问题。但异构环境下,基于迁移学习的行为识别技术存在一定问题,主要有:（1）大多数的研究者在进行行为识别时只会利用同一个域中的数据进行分析,并识别后续传进来的数据,没有考虑到在其他环境下的识别效果。（2）以往的实验经常单纯地对数据进行特征的提取,如:活动发生时间、传感器触发频次等,没有很好地利用完整传感器序列所能提供的信息。（3）在计算目标域样本与某源域活动相似值时,大多数实验仅对目标样本与源域某活动类全部样本进行相似距离的计算,没有考虑到其他源域类对计算结果产生的影响,以及相同活动具有不同路径时对相似度的影响。本文针对以上情况进行了研究,并取得了以下成果:（1）利用迁移学习进行行为识别时,通常提取活动特征进行迁移,但仅根据活动特征进行迁移无法对具有相似特征的活动进行区分。针对这一问题,本文提出了类内相似度与类外相似度结合的方法,可以有效地提高行为识别的准确性。此方法首先将目标域中的样本进行聚类,并对源域和目标域中的各个类和簇进行特征向量的提取。然后将目标簇和对比类的特征向量之间的相似距离作为类内相似度,将目标簇与对比类以外的类的中心特征向量之间的距离作为类外相似度,两种相似度结合后得到最终的相似度。（2）在进行类相似度计算时,由于部分活动的活动路径存在多样性,在这种情况下,如果利用整体相似度作为识别方法,会对识别效果产生负效应。在计算样本间相似度时,绝大多数方法仅利用特征之间的相似度信息,没有充分考虑完整传感器序列所能提供的隐藏信息,导致特征相似的活动很难得到区分。针对这一问题,本文提出了基于传感器相似矩阵与随机取样的行为识别方法,根据两个域之间传感器特征进行传感器相似度计算并生成传感器相似矩阵,然后,再利用该矩阵进行传感器序列的相似度计算。在进行整体相似度计算时,随机选取一定比例的样本进行整体相似度的计算,重复多次并选出最好的一个结果作为整体相似度。本文实验数据来自华盛顿州立大学自适应系统高级研究中心（CASAS）的公共数据集,利用Python语言实现文中算法。在这两个算法试验中,本文分别选取了三个域和四个域进行实验。实验结果表明,使用类内相似度与类外相似度相结合的识别方法可以有效的将相似的活动类进行区分,使用基于传感器相似矩阵与随机取样的行为识别方法可以有效提高活动的识别准确度。