使用后评价（Post-Occupancy Evaluation,POE）是以使用者为核心的评估,重点了解使用者如何使用建成环境,是建筑学获取用后绩效反馈的重要途径之一。目前,主要POE规程收集使用者信息以观察法、访谈法和问卷法为主,其测度使用者行为的方法存在不客观、不经济、低效率、样本少和难量化等问题。为此,本文研发了一种引入传感技术、计算机算法和机器学习的测度方法,用以量化描述建成环境中使用者的空间行为,为POE提供量化测度技术。该方法在不干扰使用者或不被使用者干预的前提下,在建成空间的整个生命周期内,能够对使用者空间行为进行全自动连续记录、完整描述。在匿名情况下,对基于时间函数的行为变量,可获得高分辨率的大数据,比同类方法更准确、更高效。在理论方法层面,对与使用者行为有关的文献进行了全面的回顾和总结,提出了一个面向建筑学的“使用者空间行为”概念和定义,为研究界定了范围和建立了理论基础。对当前33个最具参考价值的POE规程的评估目标、评估工具和评估所需数据的收集方法进行了整理、归类和解析,并从方法学的角度,深入分析了这些规程在实践应用中存在的局限性。构建了量化使用者空间行为的7个指标类型及其衍生的82个量化指标的综合测度评估框架,详细介绍了以“占用、移动、状态和时间”四个元数据为基础,可组成各种模式。在技术工具层面,开发了一种基于机器视觉技术的量化使用者空间行为的测度方法。该方法分为三大步骤:第一,收集使用者空间行为的影像数据,以此进行机器学习模型训练,从而获得能够重复使用的机器视觉模型;第二,将要被评估空间环境的使用者影像数据置入训练好的机器视觉模型中运算,并结合数学仿射矩阵,得到使用者空间行为的标准化大数据;第三,通过计算机算法处理标准化大数据,得到使用者空间行为的POE量化测度指标。在实践应用层面,验证了该方法在实际应用中的可靠性。在幼儿园室外活动行为的安全性评价、高校图书馆室内中庭空间的使用效率和占座行为评价、大学校园室外广场设施设置对于驻留行为的支持度评价等一系列真实评价案例中,验证了所开发方法的准确性、适用性和方便性。该方法可适应各种空间,操作简单,成本低廉,具有客观、经济、可量化和可泛化性,对于大规模推广应用具有潜在的价值。该研究将机器视觉技术引入到POE领域,为其提供了经济可靠的量化测度方法,也为空间可持续发展、规划、设计和决策提供了数字化驱动的基础。