老年人口的快速增加是一个迫切的社会问题。近些年来,科研人员在研究如何能够让老人在家中安全养老付出过很多努力。研究发现,行为识别是判断一个人是否具有生活自理能力的重要评估方法。该方法通过监测老人的行为可以得知其认知水平和健康状况,并在必要时能够及时做出预警。这对于提高老人的健康水平和居家生活质量至关重要。然而,要想能够尽可能准确识别老人的行为,至少需要准确的数据、合适的特征和符合老人活动规律的模型。针对上述需求,本文的研究主要集中在如下三个方面:（1）针对二值传感器原始数据中存在的异常数据,本文根据产生异常数据的两个原因:因干扰产生的环境原因和因老人遗忘产生的人为原因,提出一个传感器事件数据清理框架,该框架由两个基于聚类的方法组成,即传感器噪声事件清除方法和传感器事件分组拆分方法。前者主要利用老人居家生活在时间上的规律性,来计算每一个传感器事件的异常值。后者利用老人居家生活时存在的局部性,来筛选出哪些传感器因遗忘被长时间触发,最后根据算法将筛选出的事件进行拆分。（2）针对特征选择与提取,本文提出基于传感器-行为关系的序列特征选择方法,根据传感器在不同行为的触发概率以及每个行为中每种传感器的出现概率来求出与行为高度相关的传感器,将其作为初始特征子集输入到后面的特征选择框架中,最终在该框架内使用随机训练集从SFS和SBS中选出最终的特征子集。随后本文提出基于历史传感器的特征表示方法,根据过去触发的传感器可以有助于模型准确识别老人的居家行为。并在实验中验证添加历史传感器特征后的效果和特征选择框架内的适用性。（3）针对行为识别模型,本文构建一种卷积神经网络和循环神经网络相结合的混合模型,该模型中卷积神经网络主要用于从传感器时序数据中提取高级特征,循环神经网络负责捕捉传感器特征在时间顺序层面的关系。通过对比实验来表明本文提出的混合模型能够较好识别老人的居家行为。本文使用MATLAB和Python实现上述算法,通过Kasteren提供的三个智能家居数据集来进行实验,通过运用上述数据构建行为识别模型,并根据结果评估本文所提方法,进而证明这些方法对模型性能的提升能力。