室内人员信息对建筑能耗有重要影响,掌握室内人员的状态、行为等可以为建筑能耗模拟研究、暖通空调系统的运行提供指导和帮助。然而,室内人员数量的多变性及其行为的不确定性等因素给人员信息的识别带来了诸多挑战。目前国内关于此方面的研究主要集中于人行为研究方面,而对人员数量、状态的识别研究较少。此外,常用的人员信息识别方法存在侵犯个人隐私、成本高等问题,探究一种合适的人员信息识别方法显得十分必要。因此,本文以哈尔滨市某高校研究生工作间为实验对象展开工作,基于室内环境参数的在线监测,充分利用、挖掘环境数据中包含的人员信息,提出了利用时间序列分析、数据挖掘模型进行室内人员状态、人数以及典型人员行为模式的识别方法。首先,利用环境参数监测设备对工作间进行了为期9周的环境数据（室内温度、相对湿度、光照度以及CO₂浓度）采集,与此同时,同步记录室内人员信息。通过得到的数据发现,这是一种低成本、高效率且能保证个人隐私的高质量的数据采集方法,相比于直接对人员进行监测具有明显优势。其次,基于室内CO₂浓度,利用时间序列分析方法,建立了预测CO₂浓度变化的ARIMA模型和预测人数变化的季节分解模型,实现了工作间内CO₂浓度变化趋势的预测和人员的识别与预测。预测与记录结果对比显示,ARIMA模型在进行CO₂浓度预测时,预测1天和3天的平均绝对误差在60ppm左右,平均绝对百分比误差在7%左右;利用季节分解模型,人员状态识别的平均准确度达到了97%以上,人数水平识别的准确度接近90%,人数识别的准确度在60%左右。最后,基于多环境参数,利用数据挖掘模型,对工作间内人员的开、关灯以及开、关门行为进行了识别。识别结果表明,C5.0模型在进行人行为识别时具有优良的准确度,识别结果准确度在85%左右。对两行为间的联系进行了探讨,得到了开门（?）开灯的关联规则。