物联网和传感器技术的飞速发展,感知计算作为实现个性化服务和应用的基础,成为了研究人员的的重点研究领域,并被广泛应用于智能医疗、智能家居等领域,例如老年人行为监测、健康分析、意外报警等。由于个性化服务通常与用户的日常生活息息相关,尤其是用户的位置、行为活动、周围环境等上下文信息,能否及时准确获取上下文信息是决定服务质量的关键。因此,人体行为识别(Human Activity Recognition,HAR)、位置感知等关键技术得到了学术界和工业界的关注。考虑到可穿戴传感器和智能设备因其种类多样性、携带方便、高性能以及低功耗等特点,能够随时随地获取与用户紧密相关的信息,本文将对基于可穿戴设备的人体行为识别和位置感知技术进行研究。在基于可穿戴传感器的行为识别中,由于不同的传感器采集到的数据具有异构性和不确定性,且人体的行为是多样和动态的,一个良好的行为识别方法应具备有效地从异构数据中提取出高区分度的行为特征的能力。除此之外,为了提供高时效性服务,例如老年人发生意外事件报警,需要在源端处理和分析数据以降低通信量,并保证信息的实时性。因此,一个合适的行为识别方法需要满足低时延和低功耗要求。在位置感知中,由于GPS技术在室内环境或者建筑物密集的区域具有较低可用性,WiFi、声波、磁场等RF信号被广泛用于室内位置定位方法研究中,但是受室内干扰信号影响,无法保证定位结果的准确性,因此,本文将研究如何在干扰信号密集的室内环境中,获取精确、稳定的用户位置信息。本文围绕人体行为识别方法和室内定位技术展开研究。在基于可穿戴传感器的行为识别中,主要研究了深度学习方法在行为特征提取的应用,以及如何降低模型复杂度。在室内定位中,主要研究了如何提高定位结果的稳定性。主要的研究内容和创新点如下:(1)提出了一种基于扩展操作的HAR深度学习模型D2CL。现有方法在对原始数据提取空间特征时,忽略了传感器之间的空间关联关系,D2CL基于Deep-ConvLSTM模型,在设计空间特征提取器时,提出了使用连续的扩张卷积操作简单高效的学习到多传感器间的空间关系。同时,为解决LSTM模型在建模时间依赖关系时,无法并行计算且难训练的缺点,基于简单循环单元,D2CL设计了基于skip连接的循环神经网络模型,不仅提高了模型效率,而且具备多时间尺度依赖关系建模的能力。最后,将提取的时空特征通过Softmax进行分类。通过在公开的基于可穿戴传感器的行为识别数据集上展开对比实验,结果表明D2CL提高了行为识别的准确率,具有更高的效率。(2)提出了基于多RNN交叉操作的时空特征提取方法,并设计了一种新的HAR深度学习模型ABST。在已有的HAR深度学习模型中,通过提取行为的时空特征取得了较为理想的准确率,但对于电池容量、计算量都有限的可穿戴设备,模型仍然比较臃肿、计算量较大,难以部署。基于传感器数据的空间关联的时间依赖性:在单次采样的传感器之间存在大范围的相互依赖性,且不同采样时刻之间存在一定的关联性。ABST利用GRU对分别二维传感器数据进行操作,并通过中间状态的交互操作提取时空特征。同时,利用注意力机制和门技术以获取更多关键时间步上的时空特征信息,抑制其他无用信息。通过在公开的基于可穿戴传感器的行为识别数据集上展开对比实验,表明ABST显著提高了行为识别精度,并极大降低了模型复杂度和计算量。(3)提出了一种可自我精度衡量的室内定位方法SITE。针对现有的基于计算的室内定位方法在目标位置未知的情况下,无法对其定位结果的准确度进行自我评估,当受室内干扰因素影响较大时,其定位结果的可用性得不到保证。本文首先通过对声波定位方法的结果进行深入分析,发现给定一组声源的相对方向,当所有基于子集推算出的坐标点的标准误差SD小于某个阈值δ时,即可认为利用该组生源计算的位置有较大的可能性取得很小的定位误差,基于此,SITE提出了一种定位结果可用性判定机制。此外,结合图像处理技术,SITE设计了一种位置优化方法。通过在不同室内场所的对比实验,结果表明SITE能够稳定的提供高精度位置信息。