随着科学技术与计算机技术的发展，无线网络的普及面越来越广，并且新兴科技下的产物可穿戴式传感器正在得到科研人员的认可与普及，故通过无线传感器发出信号，进行人体行为识别系统的开发已经成为具有重要研究意义与价值的工作，越来越多的科研机构开始利用行为识别系统进行广泛的科学研究。功能日益完善的智能手机也给人们的日常生活带来了极大的便利。随着在健康保健领域对行为识别系统的需求的增加，尤其是在老年护理，长期健康监控，以及协助有认知障碍患者，越来越多的注意集中在识别携带有传感器的人的行为上。智能手机上有很多软件能记录智能手机用户的日常行为。于是本研究在获取智能手机传感器信号的基础上，提出一种基于谱聚类和隐马尔可夫模型（Spectral clustering and Hidden Markov Models，SC-HMM）的日常行为识别算法。SC-HMM方法利用智能手机获取GPS地理位置、加速度、接收信号强度等传感器数据，结合谱聚类技术和隐马尔可夫模型学习，能有效地对用户日常活动行为进行自动识别。本研究通过在真实数据上进行实验验证本研究提出的SC-HMM识别方法。实验结果表明，在真实的智能手机数据集中，该方法具有较高的识别准确度，并且优于以前传统的识别方法。本研究提出的识别方法在用户行为学习、情景感知等领域具有良好的实用性。本文的主要内容如下：（1）本论文研究无线传感器网络的架构，介绍了无线传感器的网络特征等方面的内容。（2）研究智能手机传感器技术、加速度传感器、RSSI技术，深入介绍了RSSI的原理， RSSI异常判断以及产生的原因等。研究如何收集智能手机传感器的传感器数据并分析智能手机用户的行为。（3）研究基于传感器的行为识别的分类，分为基于传感器的单人行为识别、基于传感器的多人行为识别；基于传感器的行为识别的识别阶段分为：在最底层，收集传感器数据，在中间阶段，采用统计推论，在最高层，识别出行为的目标或者子目标；基于传感器的行为识别的识别方法，主要有四种方法：概率推理方法、逻辑推理方法、基于WiFi的行为识别方法、基于数据挖掘的方法。本研究主要研究基于智能手机传感器的行为识别方法。（4）研究机器学习的聚类方法，谱聚类，并将谱聚类方法用于将从智能手机传感器中收集的传感器数据聚成K个相似的类。（5）研究无监督学习方法，隐马尔科夫模型的特性以及要解决的三个问题：估计问题、解码问题以及学习问题。通过隐马尔科夫模型训练活动时间序列得到智能手机用户的行为，并识别未训练的活动时间序列的行为。（6）总结本研究的工作，并展望未来的研究工作。可以将本研究提出的基于智能手机传感器的SC-HMM行为识别方法扩展到识别两个或者多个智能手机用户的交互行为识别。