当前,心理健康问题凸显,对个体的心理特征进行及时有效的识别具有重大意义。然而传统的心理测量方法具有侵扰性、低效率等特点,无法满足当前社会对心理健康服务的需求。近年来,随着互联网、智能传感器技术的发展,各行各业都产生了海量的人类行为数据。这些数据可以捕获个体细粒度的行为特征,为各个领域的研究都提供了新的视角。基于此,本研究试图探究行为时间序列数据与心理特征的关系,并进一步实现个体心理特征的自动化识别。本研究首先从个体的动作、（线上丯线下）交互行为、和自我表达内容四个场景中采集行为时间序列数据。具体而言,本研究使用微软之乩乮乥乣乴智能体感设备采集个体的步态数据,使用安卓应用乍乯乢乩乬乥乓乥乮乳采集个体智能手机使用行为数据,利用车辆控制器局域网络总线的数据记录仪采集驾驶行为数据,并利用分布式爬虫系统采集微博文本数据。然后,利用时频分析的方法,本研究分别从这些数据中提取可以表征个体行为模式的特征,并进一步地实现对个体心理特征的分析与识别。结果表明,基于步态数据可以实现对个体抑郁状态的识别（敏感度丽丰丮丹临,特异性丽丰丮丹丱,乁乕乃丽丰丮丹丳）;基于驾驶行为数据可以实现对个体大五人格的有效识别,在大五人格五个维度上建立的回归模型的根均方误差在串丮临丷中临丮丱串之间,相关系数可以达到中到强相关的水平（丰丮丵丶中丰丮丸丸）;通过分析个体的智能手机社交行为数据,我们发现与非抑郁用户相比,抑郁用户接到来自联系人的电话更少,使用社交应用的频率更高,同时,基于智能手机的社交行为数据建立的机器学习模型可以实现对个体抑郁情绪的有效识别（敏感度丽丰丮丷丶,特异性丽丰丮串丵,乁乕乃丽丰丮丷丱）。通过分析空巢青年和非空巢青年的微博文本,结果显示两组微博用户的心理语义和心理特征（积极情绪,消极情绪等）均存在显著差异。研究结果表明,行为时间序列数据蕴含着可以表征个体心理特征的行为线索,同时,利用统计方法和机器学习技术可以实现对个体心理特征的有效识别。与传统心理测量方法相比,基于行为时间序列数据的心理特征识别方法具有无侵扰、可回溯、自动化等特点,因此将该方法与传统测量方法相结合能够有效地提升心理测量的应用范围与测量效率。