近年来,我国人口老龄化趋势严重,由此带来的养老问题突出,居家养老符合国民的传统观念,可以作为应对养老问题的重要解决方法之一,以弥补其他养老方式下的不足。老人、尤其是独居老人的安全是居家养老实施过程中需重点保障的一环,对老人居家的日常行为进行及时监测与识别是实现安全保障的基础。论文基于人因工程的思想,从老人的隐私保护、居家舒适性的角度出发,并考虑后续数据传输、存储和处理等问题,采用非侵入式环境传感器的数据集,对14种日常居家行为的识别进行了探索研究;并借助社区医院和智慧住区的发展优势,在非侵入感知的原则下,设计了一套居家养老系统,论文的主要研究内容为:(1)对于连续行为间的关联信息提取,通过KL散度检测时间序列传感器数据的突变点信息,并采用遗传算法改进实现自动检测。分割原始数据,从时域、窗口以及传感器三方面提取特征。使用随机森林对于14种日常行为创建识别模型,采用严格时间顺序的测试方法,将突变点作为特征加入特征向量中,增强了随机森林在线行为识别的结果。(2)使用循环神经网络展开日常行为在线识别研究,在验证、测试过程中,采用严格时间顺序测试的方法,通过实验验证寻找最优的网络结构与训练验证数据量,在准确度、宏查准率、宏查全率、宏F1指标上均提升了当前行为识别的性能。(3)设计实现了非侵入感知的智能居家养老系统,包括家庭内部设备的供电与信息交互、社区内分布式服务器的解决方案,实现了家庭信息管理器和社区内的服务器功能,并且针对异常状态下,老人可能无法开门,医护人员入户难问题,设计实现了家庭门禁系统,并以此对系统的可行性进行了验证。论文的创新点为:(1)提出了面向在线行为识别的遗传算法改进KL散度突变点检测方法。(2)率先使用循环神经网络在非侵入感知的数据上展开在线行为识别的研究。(3)提出了非侵入感知的居家养老系统方案,并针对异常情况实现了可行性验证,进一步保障居家老人的安全。总体而言,论文提高了居家老人日常行为在线识别的性能,而且搭建实现了非侵入感知的居家养老系统,为日后开展更加健全的居家养老服务奠定了基础。