近几年来,在智能家居的领域中行为识别技术逐渐成为学者们研究的热点。一个良好的特征提取方法在行为识别中扮演着重要的角色。在现今的行为识别研究中,主要的难点在于:人类行为的时序性,即在人们表现出的同种行为中,不同时间段之间的先后顺序与潜在的关联;人类相似行为之间的敏感性,由于许多不同行为之间具有相似的片段;人类行为的复杂性,对于同一种行为具有不同的表现方式。本文研究稀疏表示行为识别的根本目的在于:加强模型对于特征向量的表达能力,从而使框架能够更加准确地进行识别。纵观现如今提出的主流特征提取方法,其中大多数方法对于行为潜在规律挖掘得不足,导致提取出的特征表达能力较弱。而且,这些特征中涉及过多重复性的传感器事件信息,使得特征冗余性很强。此外,这些模型对于不同智能家居的环境的通用性不强。为了解决这些行为的时序性与复杂性等难题,本文首先提出了基于特征提取的日常行为识别方法,使用粗糙集挖掘行为特征之间的规律,目的在于提取出行为中更多的信息,进而提高行为的表达能力。其次,本文通过连续型数的据特征提取行为识别方法,将特征提取方法应用到连续型数据中,使连续型数据进行离散化处理,将动作原语对作为特征,使连续型数据更加具有实际意义。最后,本文提出了基于稀疏表示字典训练的行为识别方法,旨在改善不同行为之间的敏感性,使行为能够更加准确的选择相应的字典。通过针对这三种行为识别方法的仿真实验,我们取得了良好的研究成果,印证了算法的有效性。