随着当前科技水平的提高,基于日益精密的传感设备,对于目标的行为识别技术得到充分发展。近年来流行的行为识别技术主要通过收集传感器数据,经由精心设计的机器学习算法,对智能体当前行为状态进行分类描述。该技术在日常的生活中占据着越来越重要的地位,也为人们的生活带来了许多便利。现有工作主要着眼于研究更精确的机器学习模型以用于行为识别,从而构建更高准确率的行为识别系统。但现有工作主要基于实验室场景开展研究,对于数据有效性问题考虑不足,事实上行为识别系统在现实场景下收集数据时会遇到各种不确定性,导致无效数据,由此而来的缺失数据问题将会影响大部分行为识别系统的正常运作,无法达成有效行为识别。本文研究了现实场景下目标行为识别系统部署时会遇到的缺失数据问题,并总结性的提出了在解决缺失数据问题时的数据连续完全缺失和性能瓶颈挑战。我们仔细考虑了数据的有效性和缺失问题,通过对于数据特性的挖掘,提出了基于相似数据段的数据补全方法,并合理考虑了现实平台下的性能瓶颈,解决了不可避免的缺失数据问题。基于该数据补全方法,提出了现实场景下针对目标行为进行识别的有效可行的技术框架EARFBS,有效的完成了对于目标的行为识别。我们在个人行为识别和无人机行为识别两个常见的应用场景中进行了实证研究,将我们提出的技术框架中的各个模块进行了具体实现,形成了完整可行的针对目标行为识别的应用。并在两个场景下进行了实验,验证了我们的数据补全方法的可行性和系统的有效性。本文的贡献在于:1.本文系统分析了现实场景下行为识别系统面临的缺失数据问题,对其中具有挑战性的连续完全缺失问题进行了形式建模和分析,并指出补全算法的性能也是现实场景行为识别系统的关键;2.本文基于连续时序数据的连续性和相似性等特征,提出了一个基于相似数据的针对连续完全缺失问题的数据补全算法MIBSC,该算法同时具有良好的性能表现。基于该算法,本文提出了相应的现实场景下的目标行为识别框架EARFBS,可以支持获得完整有效的数据流完成连续行为识别;3.本文基于上述识别框架,选择个人行为识别和无人机行为识别典型场景,分别进行了数据集收集和实验验证,验证了本文提出的算法可行性和框架的有效性。