行为识别是指通过部署在环境中的传感器或可穿戴设备收集足够多的带标记数据来构建准确的分类模型。但带标记数据的收集一般费事、费力、且价格昂贵。怎样减少数据标记的代价引起学者们的广泛关注。近年来,有研究者提出可以使用迁移学习方法,从已知环境向目标环境传递知识,以减少数据标注的代价,但还存在一定问题:（1）以往的研究方法大多需要使用少量目标域带标记数据,以寻找两个域数据之间的联系。这类方法使用带标记的目标域数据虽少,但随着目标域的增加,标注数据的代价也会越来越多。（2）不同数据域之间存在很大差异,如果直接在两个域之间传递知识,效果往往很差,不尽人意。（3）大多数研究者将每个行为看作一个独立的个体,忽视每个行为的上下文特征信息,对触发的传感器序列相似的不同行为识别效果不佳。本文针对上述问题进行了深入研究,并取得了以下研究成果:为实现不使用目标域中带标签数据进行无监督的行为识别,本文提出了基于稀疏自编码器的无监督跨域日常行为识别方法。该方法首先根据传感器位置和附着对象计算两个域中传感器的相似度,为相似度大于阈值的传感器建立映射关系。然后,利用稀疏自编码器的二段式领域自适应方法,进行无监督日常行为识别。由于全程不需要使用目标域任何标签,该方法在识别触发的传感器序列相似的不同活动时表现出较好的性能。为了在特征提取阶段,不破坏传感器触发序列的顺序性,保留传感器上下文信息,本文提出了基于域对抗迁移网络的无监督跨域日常行为识别方法。该方法首先将源域和目标域传感器映射到一组公共传感器,为两个域之间建立联系。然后使用滑动窗口对行为进行分割,提取每个行为的上下文特征,并进行特征拼接。与一般提取传感器触发频率不同,我们从传感器触发序列出发,提取每个窗口内触发传感器序列。最后使用word2vec将行为传感器序列映射为二维矩阵,使用向量矩阵训练DANN模型进行行为识别。该方法的优点是保留了相邻传感器之间的相关性,能更好地学习不同域之间的域不变特征。本文采用了Python3实现上述算法,实验数据来阿姆斯特丹大学和华盛顿州立大学提供的公开数据集。结果显示,本文提出的算法相比现有算法能更好的在异构环境之间传递知识。