人工智能时代的到来与智慧校园的广泛建设,已经积累了越来越多的校园数据,如何合理充分地利用大学生校园大数据是一大研究热点。构建高质量、高可用性的大学生校园日常行为活动数据集是充分利用大学生校园数据的基本前提。对大学生校园日常行为活动进行分类、构造行为标签存在数据量大、数据冗杂、数据噪声多以及分类约束条件过多、过于复杂、人工标注工作量大、繁琐等问题。基于此,本文提出一种基于双层条件随机场的大学生日常行为活动数据自动分类模型,利用大学生校园日常行为活动及其产生数据之间的时间与空间约束关系,对数据进行自动分类,并打上对应的行为标签。本文的主要工作如下:（1）采集并处理大学生日常校园行为活动数据。数据涉及四个学院共1845名学生,时间为2018年秋季-2019年春季学年度,数据内容包括学生在校行为活动数据、学生基本信息数据、学生消费数据、Wi-Fi登入登出数据、图书馆门禁数据以及借阅数据。建立学生活动模型,得到的一个包含学生校园日常行为活动发生时间、活动发生具体位置信息,活动描述的多源融合大学生校园日常行为活动数据集。并且构建活动数据分类标准。以校园大数据为基础,构建时空语义约束模型,提取活动数据,定义活动行为分类标准,为后续的大学生行为自动分类创建分类标准。（2）构建用于活动数据自动分类的双层条件随机场模型。由于大学生日常行为活动数据复杂,单层条件随机场无法充分计算数据之间的长时间关联关系,并且利用活动间发现的时间和空间联系,引入全局变量和时间、空间转移函数,提出双层条件随机场模型,实现对学生校园内复杂的活动关系进行描述。（3）建立双向长短期记忆网络（Bi-directional Long Short-Term Memory,BiLSTM）约束的双层条件随机场模型（BiLSTM-CRFS）。充分利用BiLSTM层输入的过去和未来的标签信息,来预测当前的行为标签,实现对活动数据构建相应的行为标签。通过对比实验证明,本文提出的BiLSTM-CRFS模型确实有效提高了行为分类的准确率,相比于传统的聚类方法来说,本文的模型大大提升了分类的准确率和合理性;与常见的时间序列分类模型进行对比,本文提出的模型在学生活动数据集上有更好的表现。本文的创新点:（1）以校园大数据为基础,构建时空语义约束模型,提取活动数据,引入全局变量和时间、空间转移函数,来对学生校园内复杂的活动关系进行描述,构建双层条件随机场模型,实现对活动数据的自动分类。（2）提出基于双向长短记忆网络约束的双层条件随机场模型,以活动的时序与空间相关约束,为活动数据建立相应的行为标签,实现活动数据的行为自动标定。充分挖掘大学生校园日常行为活动数据,全面考虑大学生日常校园行为活动特点,利用校园内的时间和空间约束,构建高质量、高可用性的大学生校园日常行为活动数据集。