随着移动设备的发展和普及,以及移动互联网、物联网的兴起,情境感知技术备受关注。情境感知和移动应用的结合产生了移动情境感知,其主要任务是使移动智能设备能够主动获取情境,识别感知情境,根据情境信息向用户提供合适的服务。基于移动情境感知的服务为用户生活提供了极大的便利,更能满足用户的个性化需求,因而越来越受到人们的青睐。移动情境感知的一个热点研究方向是行为识别。它是个性化移动搜索、社交网络发现、个人健康监控等情境感知服务的基础。考虑到移动设备的计算能力、存储能力都受到限制,所以如何建立高效准确的用户行为分类模型成为移动行为识别一个关键问题。为此,本文提出一种基于神经网络极速学习机的行为识别算法。该算法从手机采集到的加速度数据中提取特征,根据特征间的互信息、特征对分类的敏感度、特征的计算开销等多个属性进行特征优选,得到一个适用于手机上行为识别的特征子集。之后以这些特征数据为训练样本,利用极速学习机算法训练单隐层前馈神经网络,得到分类用户行为的模型。力求提高识别准确度,降低计算开销。移动搜索是目前最热门的移动应用之一,它以方便、快速、不受时空限制等优点深受人们喜爱。融入用户情境的移动搜索,是移动情境感知的一个很有前景的应用,它可以提高搜索的个性化,简化用户和移动设备的交互,淡化移动设备在输入和显示方面受限的劣势。全面合理的发现用户情境、推理用户意图,是移动情境感知和移动搜索融合的研究重点。本文提出了一种基于用户情境的查询扩展算法,该算法利用手机采集加速度、位置、日期、温度等多种用户直接情境,结合基于神经网络极速学习机的行为识别算法从直接情境中提取用户行为、交通模式等间接情境。将这两类情境经由专家系统推理得到能够代表用户潜在意图的扩展词,用于查询扩展,向用户提供个性化的搜索,改善用户搜索体验。在真实数据的基础上对提出的算法进行了验证,实验结果表明,提出的基于神经网络极速学习机的行为识别算法能够快速的训练出分类模型,模型识别率高,而且分类所用的加速度特征计算复杂度低,适用于手机,能实现实时对用户行为数据进行采集和识别。该算法识别出的用户行为信息和手机采集的其他用户情境信息可以很好地融合到移动搜索的查询扩展中。基于用户情境的查询扩展算法提高搜索的查准率、满足用户的个性化需求。