移动互联网的快速发展和公众对健康的关注程度日益提高,极大地促进了运动类产品的产生和发展,大量用于记录和分析用户运动数据的软件和硬件出现。运动步数数据（Step data of exercise,简称为SDE）是一种由人类生活运动触发并由移动智能设备记录的时间序列。此类数据的收集变得越来越流行,为用户提供了有关自身运动水平的信息。同时,将数据应用于不同的在线社交场合,也有助于激励用户坚持积极的生活方式。当SDE变得更广泛存在时,也为健康专业领域的研究人员提供了一种了解人群运动习惯,和人群进行互动的新思路。然而,如何从这些运动类软硬件记录下的用户运动数据中获得用户的运动偏好信息,并解读用户的运动习惯仍未得到深入的研究理解。现有的为数不多的锻炼模式识别的方法都依赖于手动标记的训练模型,需要手动设定提取特征模版的长度,或需要多维度的传感器数据进行模型支撑。然而,SDE数据集具有高度个性化的特点,且由于技术的限制,此类数据是不完全准确的。已有的分析方法在SDE上的应用效果不佳,并且成本与复杂度都比较高。本文旨在针对SDE的特点,设计新的分类算法,以从用户的运动时间序列中识别出用户的典型锻炼模式。相对于传统的研究方法,本文提出针对锻炼事件本身、舍弃原始数据中的步数数值的思路,设计降噪滤波器,降低噪声数据对后续分析的干扰。同时,我们基于用户个性化特征提取用户运动偏好的先验知识,并据此对初始的SDE时间序列进行划分时间窗口等操作,最后实现低复杂度与低人工成本的分类算法,从用户的运动时间序列中识别出用户的典型锻炼模式。本文对提出的分类算法进行了准确度、可解释性、鲁棒性、分类结果聚合度等方面的评估。我们与多个基线算法、新型聚类方法在这些层面进行了比较。在两种数据集上的测试结果证明了本文所提出的算法在对SDE时间序列的分类上具有显著的优势。我们的方法为用户的锻炼习惯提供了易于理解和可靠的特征描述,在保持较低计算复杂度的同时,显著提高了分类的准确度。同时,本文还对群体的锻炼行为特征进行了分析。对群体的分析也有助于我们增加对于群体中个体的锻炼模式的理解。我们的研究所提出的分类算法能从用户的活动数据中准确识别用户的锻炼模式,且获得的结果具备高准确度与高鲁棒性,同时复杂度与人工成本较低。这有助于帮助用户制定更为科学合理的健身计划,或对用户未来的活动行为进行预测。同时,该研究也为个人生活习惯与精准医疗的对接提供了机会。