随着智能手机的迅速普及,其在人们的日常生活当中扮演的作用越来越大,智能手机已经融入了人们的日常生活当中,因其强大的功能、不会增加额外成本及易于被人们接受的特点使得人们对使用智能手机来进行人类活动识别(HAR)的研究兴趣不断增长。在智能手机的众多传感器中经常被用来进行行为识别研究的就是加速度传感器。目前已经有许多基于加速度传感器并使用有监督学习算法来进行行为识别的研究。在本文当中,我们按照一般的基于传感器的行为识别流程来进行研究。使用数据的来源来自于自采集的日常行为数据集和UCI公开的日常行为数据集,这样能比较全面的进行行为识别的研究。进行特征提取时,我们对比三种不同的特征提取方式,包括频域特征提取,时域特征提取,频域时域混合域特征提取方法,旨在找到一种更适合基于智能手机传感行为识别的特征提取方法。在对不同的动作行为划分时,因为收集带标记的行为数据或者是对已经收集到的行为数据进行标记是一件非常困难的事情。因此,对于基于无监督行为识别的研究是非常有必要的。无监督学习算法的准确性,比如说聚类算法,其学习过程完全依赖于对象之间的相似性,因此相似度或距离度量对于无监督行为识别结果有很大的影响。在我们的实验当中,Jaccard距离,欧式距离,曼哈顿距离,余弦距离,马氏距离,皮尔逊相关系数被应用于基于无监督的行为识别当中。在实验中,我们使用三种不同的特征提取方法(包括时域,频域和混合域特征)来比较使用不同的相似度度量方法和其它几种聚类算法之后行为识别的结果。为了综合分析实验结果,我们使用了两种不同的评估方法:(a)聚类前的C-Index值,(b)聚类之后的FM-index值。实验表明,在基于无监督的行为识别中几乎对于每种特征提取方法和相似度度量方法的组合,Jaccard距离总是优于其他相似性度量方法。