随着智能家居的发展以及组网技术的不断完善,家居的智能化已经走进我们生活的各个方面。智能酒店就是其中之一。随着人脸识别技术不断完善,实现人证合一是当今智能酒店的发展方向。为实现人证合一,就必须抛弃传统使用房卡的入住模式。但是相较于无限制供电,房卡的“插卡取电,拔卡去电”功能更加符合现如今的节能政策,因此我们需要研究一种模型,能够准确识别房客,进而对水电进行控制,实现对水电资源的节约。传统的人体感应多应用于感应灯,安全控制方面。常用到的技术包括有红外线人体感应,微波人体感应,摄像头识别等。但是这些技术应用于酒店房客识别中又会出现诸多问题。红外线,微波技术各自都有短板,无法实现全方面无差错人体识别。为保证房客隐私性,摄像头又不被允许安装在房间内,可见单一的人体感应设备无法实现全方位的人体识别。深度学习可以有效地实现对数据的处理。但是训练数据以及处理数据需要浪费大量时间,如何减少训练以及处理数据时间也是一个难题。通过分析以上问题,本次研究的主要内容为比较各种人体识别技术,选取最为合适的多数据融合技术构建房客识别模型。利用红外,微波等人体感应设备同其它诸如压力传感器结合,将多个传感器数据通过多数据融合的方式进行处理判断。本次研究结合模糊理论改进DBN(深度置信网络)来实现多数据融合,构建出模糊DBN神经网络,通过对分界度参数的调整,对模型进行优化。以损失召回率的方式将精确率提升到100%,准确率为85%。把研究模型与传统的KNN模型的处理结果进行比较,证明多数据融合模型优势以及实用性。最后使用SSM(Spring+Spring MVC+Mybaits)框架构建网络平台,将本次研究模型运用到实践。