基于日常行为感知的健康监护是改善一般用户群体生活质量、提升老年人等特殊群体医疗监护水平的重要措施。如何长期、实时地检测用户行为是日常行为感知的重要挑战。微型传感器件的升级和人工智能技术的发展为利用可穿戴设备长期、实时地感知用户的日常行为提供了可能。可穿戴行为感知已成为普适健康监护的主流手段。现阶段，可穿戴行为感知技术研究主要面临如下两方面的问题:1）可穿戴设备的计算与存储资源十分有限;2)不同用户的日常行为存在个性化特点。传统的静态批量学习方法难以精准感知不同用户的动态个性化行为，而增量学习方法则根据用户的动态个性化数据对模型进行持续地更新与自适应调整，可以有效实现个性化行为感知的渐进智能化。因此，本文主要研究面向可穿戴行为感知的个性化增量学习方法，具体的研究内容如下:　　提出一种基于共享权值变量的轻量级模型构建方法　　针对可穿戴设备的计算与存储资源十分有限这一问题，本文提出了一种基于共享权值变量的轻量级模型构建方法。结合统计学习理论的精准泛化能力和单隐层神经网络的高效计算速度，该方法将多个两类分类问题之间的权值变量进行相互共享，并通过添加偏置项进一步扩大解空间的搜索范围。本文理论证明了该方法在求解两类分类问题时的泛化边界。在日常行为数据集上的实验结果显示，该方法将训练速度提高近30倍的同时减少了约2/3的内存占用量。　　提出一种基于重要性分析的增量数据有效选择方法　　针对增量数据之间的高度相似性和大量冗余这一问题，本文提出了一种基于重要性分析的增量数据有效选择方法。当用户的个性化数据持续到达时，首先利用当前的模型对数据的行为类别进行预测，将模型的预测结果与数据的基准类别进行比较，从中挑选出的少量十分有价值的数据对当前的模型进行更新。在行为识别公开数据集上的实验结果显示，该方法在训练和预测两个阶段均有明显的时间优势，且增量更新后的模型可以达到与批量模型相比类似的识别能力。　　提出一种基于多模态特征融合的免标定增量数据感知方法　　针对增量数据需要用户大量的类别标记这一问题，本文提出了一种基于多模态特征融合的免标定增量数据感知方法。首先基于少量仅包含运动特征的有标记训练数据完成模型的初始化，再利用大量的融合运动和多模态情境特征的无标定训练数据持续地更新模型。本文在真实环境中采集的融合运动和多模态情境信息的日常行为数据集上开展了实验。实验结果显示，该方法在整体保证基本知识的同时，通过不断地学习用户的免标定增量数据有效实现了个性化行为感知的渐进智能化。　　提出一种基于多目标均衡度量的增量模型鲁棒更新方法　　针对增量学习模型在更新阶段的识别效果不稳定这一问题，本文提出了一种基于多目标均衡度量的增量模型鲁棒更新方法。设置“经验风险均值最小化”的优化目标，实现与“泛化能力最大化”这一目标关于训练数据个数的均衡度量。以此作为优化问题的目标函数，结合基于重要性分析的增量数据有效选择方法，从而构建出相应的增量学习模型。本文在跌倒检测公开数据集上验证了该方法关于训练数据个数的鲁棒性。实验结果显示，当传统的增量学习模型出现性能不稳定的情况时，本文提出的方法可以实现精度的稳定式增长，同时还大大提高了模型训练和预测阶段的计算速度。　　最后，基于上述研究成果，本文设计并实现了一套面向老年人健康监护的新型智能贴件系统。利用穿戴在用户身上多个位置的智能贴件，实现了多样化日常行为和跌倒等异常行为等的准确识别与实时检测。