近几年来，随着信息科学和传感器技术的进步，基于传感器的人体行为识别获得了极大的发展。其中基于可穿戴传感器的行为识别作为移动式计算的重要方面给各种上层应用提供了许多支持，例如在智能家居、老人或病人监护等领域使用可穿戴式传感器可以实时获得用户的活动情况，从而快速准确的识别出当前用户的行为活动。但是将传感器安装在用户身上进行长时间内的行为感知会给用户的正常生活带来很多不便，所以手机传感器作为采集数据的载体越来越受到研究者的关注。手机传感器的便携性和隐蔽性可以避免给用户带来不便，但是大量的研究仅仅是使用手机进行短时间的数据采集。因此，本文基于智能手机采集用户长时间的行为活动数据，对行为识别与分析的相关方法进行研究。　　论文的主要工作有两部分:首先采用集成分类器方法对手机采集到的数据进行行为识别，然后使用聚类算法和关联算法对行为进行分析:　　在行为识别阶段，首先为了获得更好的数据预处理结果，论文对滤波算法的有效性进行比较研究，使用高通滤波加均值滤波以及独立成分分析加小波变换两种方法对原始数据进行预处理，从数据处理效果来看采用后一种方法能够使各项活动状态信号之间的差异性更大，滤波效果更优。然后使用集成分类器进行行为识别并与单一分类器的识别结果进行多方面的比较，并通过实验证明使用集成分类器进行分类能够获得更好的识别效果。　　在行为分析阶段，为了研究哪些方法适合应用于行为分析，本文在行为识别的基础上使用相关聚类算法和关联分析方法对用户日常行为活动进行分析。首先将基于阈值半径的自适应K-means算法应用于行为信息聚类分析，通过对活动热点区域的聚类分析，说明该方法能够获得较好的聚类结果。然后将Cramer方法应用于行为信息相关程度分析，通过对影响用户就餐习惯的因素进行相关程度分析，得出就餐时间与就餐地点之间呈强相关性，说明使用Cramer方法能够有效地分析出行为信息之间的相关程度。最后将Apriori方法应用于行为活动预测，通过对影响用户是否去海边的因素进行分析，得出天气、工作时间等因素对活动的影响情况，实验证明使用Apriori方法能够获得各因素对活动的影响情况，并且有效的对用户的行为进行预测。　　本文使用手机传感器长时间采集用户的行为数据，并通过分析数据获得用户的活动类型和行为习惯。用户活动类型识别和行为习惯分析在广告精准投放、交通管制、智能家居等智能环境中得到广泛的应用，根据这些信息还能够为用户提供多样化的智能服务。本文研究的结果不仅能够更好的服务人类，同时还为相关行业带来很多商机与利润。