活動識別的目的是通過對xxx的行動和環境條件的一系列觀察來識別一個或多個xxx的行動和目標。自20世紀80年代以來，這一研究領域已經吸引了一些計算機科學界的注意，因為它在為許多不同的應用提供個性化支持方面具有優勢，并且與許多不同的研究領域如醫學、人機交互或社會學有聯系。由于其多面性，不同的領域可以將活動識別稱為計劃識別、目標識別、意圖識別、行為識別、位置估計和基于位置的服務。

基于傳感器的單用戶活動識別基于傳感器的活動識別將新興的傳感器網絡領域與新穎的數據挖掘和機器學習技術整合在一起，為廣泛的人類活動建模。移動設備（如智能手機）提供了足夠的傳感器數據和計算能力，使物理活動識別能夠對日常生活中的能量消耗進行估計。基于傳感器的活動識別研究人員認為，通過授權無處不在的計算機和傳感器來監測xxx的行為（在同意的情況下），這些計算機將更適合代表我們行事。納入顏色和深度信息的視覺傳感器，如kinect，可以實現更準確的自動行動識別，并融合許多新興的應用，如互動教育和智能環境。視覺傳感器的多個視圖使機器學習的發展能夠實現自動視圖不變的動作識別。在3D動作捕捉系統中使用的更先進的傳感器允許高度精確的自動識別，在更復雜的硬件系統設置的費用。

基于傳感器的活動識別是一項具有挑戰性的任務，因為輸入具有固有的噪聲性質。因此，統計建模一直是這個方向上的主要推力，在幾個中間層次上進行識別和連接。在收集傳感器數據的最底層，統計學習涉及如何從收到的信號數據中找到xxx的詳細位置。在中間層，統計推理可能涉及到如何從推斷的位置序列和低層的環境條件中識別個人的活動。此外，在最高層次上，主要關注的是通過邏輯和統計推理的混合，從活動序列中找出一個代理的總體目標或子目標。

使用身體上的傳感器識別多用戶的活動最早出現在ORL在90年代初使用主動徽章系統的工作中。其他傳感器技術，如加速度傳感器，被用于識別辦公場景中的群體活動模式。Gu等人研究了智能環境中多用戶的活動，在這項工作中，他們研究了從家庭環境中的傳感器讀數中識別多用戶活動的基本問題，并提出了一種新穎的模式挖掘方法，在統一的解決方案中識別單用戶和多用戶活動。

群體活動的識別與單用戶或多用戶活動的識別有著本質的區別，因為其目標是將群體的行為作為一個實體來識別，而不是其中單個成員的活動。群體行為在本質上是涌現的，這意味著群體行為的屬性與其中的個體行為的屬性或該行為的任何總和有根本的不同。主要的挑戰是對群體成員個體的行為進行建模，以及個體在群體動態中的角色和他們與群體的突發行為的關系。仍需解決的挑戰包括對加入群體的個人行為和角色進行量化，將角色描述的明確模型整合到推理算法中，以及對非常大的群體和人群進行可擴展性評估。群體活動識別可應用于人群管理和緊急情況下的響應，以及社交網絡和量化自我應用。

通過邏輯和推理進行活動識別基于邏輯的方法跟蹤觀察到的行動的所有邏輯上一致的解釋。因此，必須考慮所有可能的和一致的計劃或目標。Kautz提供了一個計劃識別的正式理論。他將計劃識別描述為一個邏輯推理的圈定過程。所有的行動和計劃都被統一稱為目標，而識別者的知道