近年来,物联网技术的发展以及智能手机的普及,从智慧医疗保健行业的发展看来,可穿戴设备潜力巨大。随着传感器技术的进步,用户可以利用可穿戴设备精确地对睡眠状况以及日常运动进行实时监控,可用于各种健康保健和预防性医疗。社会的医疗保健系统与人们的生活息息相关,而当下的医疗诊断主要还是依靠于实体医院,对于预防性健康医疗的需求较大,这使得可穿戴设备具有广阔的市场前景。可穿戴式设备作为未来个人健康检测的基础,将会在个人健康管理、慢性病管理、个人疾病预测和医疗诊断等方面占据着重要的地位,本文主要研究基于个人运动数据的异常检测以及健康状况预测算法,包括以下内容:首先,针对传统的方法进行密度估计会出现一种”维度灾难”现象,导致检测效果不佳的问题,设计了高斯混合生成模型（Gaussian Mixture Generative Model,GMGM）。GMGM采用变分自编码器训练原始的个人运动数据,并通过降低重构误差来提取数据潜在特征。由于传统的两步法检测技术在进行异常检测时会丢失关键信息,降低检测精度,GMGM以一种端到端的方式共同优化变分自编码器、深度信念网络和高斯混合模型,保留数据的原始特征。实验结果表明所提出的方法能够有效地提高个人运动数据的异常检测效果。其次,为了解决可获得的人体活动数据多但是疾病标签匮乏的问题,提出了无监督表示学习模型tim2vec,该方法从原始活动数据中学习时序数据的特征表示,通过分布式表示来挖掘可用于健康状况预测任务的活动模式。通过考虑活动等级的周期性,嵌入代表活动级别的序数关系,利用噪声对比估计构建表示学习损失函数。最后,引入所学习的特征构建堆叠双向GRU模型以进行健康状况预测。2个数据集上的实验表明了所提方法的有效性。最后,以B/S架构为基础,从前两个理论研究点出发,构建健康状况预测及个性化健康推荐系统。以个人基本信息为基础,结合用户对个性化健康建议的反馈构建用户画像,采用基于相关系数的协同过滤算法,计算项目之间的S-TF权重,选择得分最高的结果进行输出,为用户提供个性化的健康建议。接着,展示了各功能模块图形化界面,通过与市面上常见的运动健康类APP进行功能上的对比体现了本系统的优势。