自然通风是最简单、最节能的通风方式。开窗通风可以满足室内人员对新鲜空气的需求,在保持室内良好热舒适的前提下,进而提高室内空气质量,保证室内污染物浓度不超标,最终减少建筑能耗。因此居住者的开窗行为是一类重要的建筑人行为,开关窗模型的准确性对建筑模拟有重要影响。本文以西安地区城市内七户家庭为例,研究住宅建筑的开窗行为以及室内外空气质量。对七户住宅的窗户状态、室内外环境以及空气质量参数进行连续监测,其中四户监测时间为2018年8月1日至2020年8月1日,另外三户监测时间为2020年5月至8月。首先对监测数据进行预处理,将室内外环境及空气质量数据和窗户状态数据整合为同一时间轴,以便进行分析,根据气象学上划分季节标准将两年数据进行划分;其次,利用多因素方差分析以及建立的Logistic回归方程来确定开窗行为的显著影响因素,并从时间、季节、房间功能以及不同因素水平方面进行开窗行为相关性分析;再者判断初始样本以及预测样本是否均衡,对开关窗数据不均衡的样本采用重新划分训练集的方法,从而建立开窗行为相关模型,包括Logistic回归、BP神经网络以及Elman神经网络;最后通过模型准确率以及AUC值（ROC曲线下方的面积）两个指标对模型效果进行了评价。研究结果表明,不同住户在客厅和主卧开窗频率最大的时间段相同,相同住户在不同房间功能的开窗时间段也多数是相同的,且发现夏季开窗时长最长。研究室内外环境参数、室内外空气质量与开窗概率之间的关系发现:在一定范围内,开窗概率与室内温度、室内PM2.5浓度成正相关,而与室外PM2.5浓度成负相关,且开窗概率随室内湿度的变化有个临界值,室内湿度的临界值为50%。通过对初始样本采用训练集重新划分的方法,可以有效的改善初始样本和预测样本的不均衡问题,进而提高模型AUC值。根据8个房间不同季节各建立的3类模型的准确率及AUC值发现,多数情况下,Elman神经网络最优,BP神经网络次之,Logistic回归模型效果最差,整体上神经网络模型优于Logistic回归。本研究为西安地区住宅建筑建立开窗行为模型提供了一定的理论基础。