互联网领域和智能硬件设施的技术进步和应用普及,促进了了智能设备和人类社会的相互融合。现有的互联网数字平台已经在向万物互联体系迈进,未来移动通信技术中的智能设备的连接数量对比现在的智能手机、平板和笔记本电脑的连接数量将超过几百上千倍。智能设备的计算环境和同人类之间的交互环境也随之变得越来越复杂,人类开始对各种新型的智能设备有了更高级的要求:“人类不需要主动去适应新型的智能设备,智能设备和交互技术的发展需要主动地适应人类的生活方式”。普适计算这一新的计算模式被提出,其旨在要求让智能设备完成“看不见的计算”这一愿景。也就是说,人类在使用智能设备时,注意力将不再浪费在操作设备和关注设备运行过程之上,而能够全身心地的投入到自己想要完成的任务之中。实现智能设备“看不见的计算”这一愿景的重要基础是情境感知。情境感知由情境信息和感知两个主要部分组成。在针对于人类的研究当中,情境信息是可用于表征人类情况的任何信息。感知可以分为接触式感知和非接触式感知,接触式感知和非接触式感知的区别主要在用户是否和提供服务的系统有着直接的接触,这个接触一般通过可穿戴设备来完成。在本文中,同时进行了接触式感知和非接触式感知的研究。考虑到接触式感知手段中智能手机在人类社会中的大量使用和非接触式感知手段中无线设备在各个家庭中的广泛部署,本文对情境信息中的用户位置信息、用户使用设备信息和用户活动信息分别进行了系统研究。并且,由于智能手机对比其他接触式感知手段（可穿戴设备）更为普遍,传感器信息更易获得,无线信号对比其他非接触式感知手段（视觉和超声信号等）不易受光照和障碍物影响,甚至无线设备更为廉价,因此本文基于人类的各式活动都会影响信号变化这一基础,重点围绕用户位置信息、用户使用设备信息和用户活动信息,基于手机传感器信号和Wi-Fi信号进行了系统性的研究,并且实现了三种不同的系统AutoProfile,MotionParser和AFall。主要的研究工作和贡献如下:1.AutoProfile 引入离散小波变换（Discrete Wavelet Transform,DWT）和梅尔倒谱系数（Mel-Frequency Cepstrum Coefficient,MFCC）作为环境声音的特征,在特征更小的前提下,对用户的情境感知更为敏感,性能更为突出。AutoProfile在8个不同场景下进行了评估,实验结果表明,AutoProfile在使用随机森林（Random Forest,RF）和 k 近邻（k Nearest Neighbors,kNN）分类器时可以分别达到91.4%和90.6%的整体识别准确率。2.MotionParser主要基于用户击键位置、用户力的大小和由此产生的方向传感器数据改变之间的相关性实现。MotionParser在现有的智能手机上进行了评估,实验结果表明,在特定场景下（坐在桌前进行交互）,单词的推断准确率可以成功达到70%以上。对比现有方法,我们提出使用字母组来作为字母的推断,这极大地提高了智能手机小键盘上的识别准确率。3.AFall通过感知用户的不同维度上的入射角（Angle of Arrival,AoA）变化,能够识别老年人在室内的跌倒。AFall在5个不同场景下进行了实验,最终的结果显示,AFall在五个场景中分别达到了83.74%、83.64%、82.61%、85.36%和85.91%的准确率。对比现有基于模式的人体活动识别需要确定适合的特征和需要训练来获取大量的参数,AFall由于AoA的特性,而无需情境相关参数的训练,也无需重新校准就能适应老年人的生活环境的变化。即使面对更为复杂环境变化,AFall也仅仅通过简单的校准就能实现良好的性能。