近年来,随着物联网关键技术不断取得突破,根植于物联网技术的智能家居产业得到了学术界、产业界的广泛关注,成为一个拥有广阔发展前景的领域。日渐增多的智能家居单品,为用户生活带来便捷的同时,也极大地增加了设备使用与管理的复杂度。构建集中化、虚拟化、开放化的智能家居管控平台,是整合智能设备、简化用户操作、增强服务智能的重要方式。智能家居平台的核心能力,即对家居设备的智能化、精确化、无感化管控,需要有效应对家居环境下的多种设备协同、多变家居环境、多样用户需求等一系列挑战。为破解家居设备的智能化管控难题,本研究首先通过问卷调查、在线家居数据收集网站、家居环境仿真平台等多种方式采集用户家居环境数据,形成结构化家居原始数据集。基于原始数据集,本文提出一种基于深度学习的家居智能化感知控制模型——DeepHome。该模型首先基于无监督方式训练自编码网络,获得通用设备模型;继而,综合多个独立设备模型构建多隐层前馈神经网络,利用家居环境数据进行有监督模型训练。完成训练的DeepHome模型在智能家居环境下,基于环境数据、用户状态预测家居设备的理想工作参数,通过集中化管控平台对家居设备进行自动化统一管控,智能调节家居环境。本文首先介绍了本次研究的背景和意义,分析了智能家居产业的发展前景与亟待解决的问题,引出并阐明了本次研究的主要内容和目标,概述了国内外相关研究的进展和效果。之后,本文介绍了软件定义的智能家居管控平台的概念与相关研究,同时介绍了此次研究使用的深度神经网络的理论基础与训练方法。在相关技术背景介绍之后,详细介绍了研究过程所依赖的家居环境数据的收集工作:问卷调查的设计与调查结果、家居数据在线收集系统的设计与实现、智能家居环境仿真平台的设计与实现。接下来,本文重点介绍了基于深度学习的智能家居管控模型的结构及其训练方法。最后,本文描述了管控模型在不同环境、不同参数下在预测准确度、收敛速度等指标上的表现,论证了模型及其训练方法的有效性和可行性。