当今社会,互联网技术正在深刻的改变着人们的生活。人们在不断探寻着互联网新的发展领域,物物相连的应用场景不断丰富。智能家居作为物联网发展的衍生方向,近年来备受关注。将家居环境中的家居设备以及各种类型传感器以一定方式进行连接,控制平台实现对边缘设备的控制与调度,构建智能家居系统,其在一定程度上方便了人们的日常生活。目前的智能家居设计方案,大多数采用的一体化的设计,将设备互联。用户对系统是主动操控,包括发送操作指令或者查询指令。因此,智能家居的设计方案还是停留在操作便捷的层面上,体现出来的智能化水平并不高,智能家居的智能化方向还有很大的研究空间,通过提高智能性,也能够达到节能的目的。在智能家居中,用户作为家居的主体,每天都对家居系统的设备以及传感器进行各种操作。被操作的设备会纪录下用户的操作数据,这些数据蕴含着用户的习惯信息。本文针对目前智能家居设计方案中所体现出的问题,主要有智能化水平低,协议兼容性差,系统扩展性低,协议兼容性差是整个行业生态的问题,我们没有好的解决方案,因此提出对智能家居在两方面的改进方案:基于Wi-Fi的网关设计和利用BP神经网络对用户习惯进行学习。基于Wi-Fi的网关设计可以减少系统的布线,充分利用目前家居环境中的Wi-Fi资源,增加系统安装简易性和设备的移动性。在Wi-Fi网关中应用Wi-Fi探针技术,用户到家时,系统能够及时感知到用户,通过对探测到的用户的信息比如手机MAC、信号强度,结合用户的习惯动作数据,共同作为用户的数据进行分析学习。通过对人工神经网络的研究,将BP神经网络应用到智能家居系统中,利用改进型的自适应学习速率BP神经网络,将网关收集的用户操作数据进行学习,得到用户日常习惯的特点,实现对用户习惯的分类,并且搭建云服务器系统,实现异地远程的操控、存储用户的数据、挖掘用户习惯。系统能对用户的习惯达到一定的理解程度,提高系统的智能性并且能够有效的节约能源。对方案的可行性进行实验验证,我们搭建智能家居系统,模拟一些用户日常的习惯行为,以此为数据进行方案验证。我们主要选取了两个系统指标作为参考:用户习惯类别匹配精度;识别用户准确度。通过实验结果我们可知,随着不断学习,系统逐渐收敛,用户习惯类别匹配的精度和识别用户准确度都达到较高的标准,验证了方案的可行性。