随着计算机科学技术的发展,人们的生活逐渐智能化、数字化。在这个时代,我们工作娱乐是数字化的,逛街购物是数字化的,甚至于我们的走路、跑步、睡觉都可以数字化的表示。近些年已有许多的研究学者致力于人们的日常行为的识别,其研究成果广泛应用于健康监测、日常运动跟踪、工作家庭自动化、人机交互的等领域。人类日常行为识别的研究过程通常包括信息采集、特征值提取和行为识别分析。在信息采集方面,由于传统的基于图像的研究方式存在色彩、阴影和物体遮挡等诸多因素的影响的问题,目前许多研究均是采用集成加速度传感器的便携设备采集行为数据。在特征提取方面,因为待分析的行为和应用环境的不确定,目前的研究中尚未提出一个统一而有效的特征提取方法。在行为识别方面,目前研究中使用的行为分类方法多为基于监督的分类方法,而聚类方法相对使用较少。使用监督式分类方法对行为进行分类时,需要对行为数据加标签。然而加标签是一个冗杂无趣并且耗时较长的过程,对行为分类来说无疑是一个长期的负担。针对上述问题,我们主要做了如下的工作。首先,我们提出一个基于聚类算法MCODE的行为识别框架。该识别框架相对于其他分类的算法的优势在于在行为数据采集中无需加标签。其次,我们在识别框架中提出了三种不同的特征值提取方法。三种提取方法提取的都是时域特征,特征简单、计算速度快。我们提出的识别框架分为三阶段工作:特征提取,提供三种不同的特征值提取方法;构建基于欧氏距离的相似性度量的行为模型,将离散数据构建成网络;对行为模型进行进行MCODE聚类,并使用FM指数对聚类结果进行评价。在实验中使用三种不同的特征值提取方法对两种不同的数据集上的进行实验验证,通过聚类分析我们分别取得0.97和0.87的识别性能,表明了该识别框架对两个数据集中的行为分类的有效性,同时对不同特征提取方法对应的行为识别效果作出比对分析。