随着微型计算机技术的发展,智能移动设备以及各种穿戴传感器被广泛使用。可穿戴技术作为一种革命性技术,在卫生医疗、运动健康、智慧城市、军事作战等领域发挥了举足轻重的作用。基于可穿戴技术的飞速发展,用户情境感知作为普适计算中的一个重要领域,得到了越来越多的重视。近年来,使用可穿戴设备以及智能移动设备识别人类活动的研究越来越受到关注。群体行为识别作为人体活动识别的延伸,在交通运输规划、城市公共区域规划、服务推荐、犯罪预防、群体事件监控等方面有着广阔的应用前景。但由于电池容量以及计算资源的限制,诸如活动识别等情境感知应用仍然没有被大众广泛接受。针对移动设备上应用对于降低资源消耗的需求,本文首先提出了一种基于活动预分类与历史活动分析的轻量级人体活动识别算法。该算法利用三轴加速度数据提取时域特征,通过活动预分类减少复杂度较高的分类算法的执行频率。此外,基于用户活动变化情况,轻量级算法实时调整传感器的采样频率从而降低功耗并减少系统响应时间。另一方面,传统的群体行为识别方法大多使用监控摄像头采集视频数据从而识别群体活动,这样会有覆盖范围较低以及侵犯用户隐私的问题。因此,本文提出了一个使用三轴加速度计识别群体行为的方法。该方法只需采集用户运动数据,通过特征级融合方法得到群体的行为相关性矩阵,按照群体规模的不同,分别采用多维尺度变换方法与谱聚类算法进行群体行为模式划分。实验表明,本文所提出的轻量级人体活动识别方法对于8种人类日常活动的识别准确率达到92.5%。与传统的SVM算法相比,在同样的条件下,轻量级算法的能耗减少49%,延迟减少55%。进一步地,我们在10位用户组成的群体中进行群体行为识别实验,结果表明:本文提出的群体行为识别方法能够有效划分群体中五种不同的行为模式。对于步行、跑等动态活动,群体行为识别准确率达到90%。