随着传感技术逐渐成熟和移动计算的水平提升,基于传感器的行为检测变得可行,并逐渐成为活动识别和行为检测中的研究重点。但在现实的条件下,基于传感器的行为检测仍存在许多问题需要去克服。诸如选择要测量的属性、构建便携式,不显眼且廉价的数据采集系统、在现实条件下收集数据;支持新用户的灵活性,而不需要重新训练系统等问题。本文针对这些问题,通过对行为检测算法的学习和研究,提出了基于Capsule的神经网络图灵机模型,构造神经元张量,将神经网络图灵机中的神经元转换成神经元张量。利用神经元张量来表征实例的一些特性,通过变换矩阵进行线性变换来对下一层的神经元张量做出贡献。这使得神经网络图灵机的长时序处理能力进一步提升,并且加快了算法的训练过程。同时,在使用Capsule理论的过程中,通过研究发现其联结系数的求值算法不够完善的问题,本文提出基于贝叶斯的动态路由算法,改进联结系数的计算方式,使得神经元张量之间的权重更为精确,来提高模型的准确性。最后,本文改进了神经网络图灵机模型中的内存矩阵模块,矩阵结构由二维改进为三维。在相同的数据量下,每个地址能存储的数据更多,总的地址变少,使得读写头对内存矩阵的访问和读写速度更快,控制器和内存矩阵的交互频率降低,进一步减少了训练时间。为了解决有标签数据缺少的问题,同时为了能让行为检测能灵活地适应各种传感器环境,本文提出了基于模糊集的数据迁移算法,结合径向基函数和模糊集进行数据样本从高维到低维空间的映射,不但利用了原空间特征的特性,还引入高维特征的信息来对标签的传播进行修正。利用这个算法,可以从大量无标签的传感器数据中获取高质量的有标签数据,为神经网络图灵机的训练提供更多的样本。最后,本文结合基于Capsule的神经网络图灵机和基于模糊集的迁移学习,构造了一个动态适应传感器的行为检测系统进行实际的应用,通过模型的不断拓展,使其能适应更多不同的场景。