چکیده: امروزه توسعه خانه‌‌های هوشمند با هدف کمک به زندگی راحت‌‌تر انسان‌‌ها، مورد توجه بسیاری از محققین قرارگرفته‌‌ است.کمک به افراد سالخورده و ناتوان، ایجاد امنیت بیشتر، مدیریت مصرف انرژی، مراقبت‌‌های پزشکی، از جمله انگیزه‌‌های توسعه چنین محیط‌‌هایی می‌‌باشند. در چنین محیط‌‌هایی، تصمیم‌‌گیری در خصوص ارائه خدمات، بر اساس اعمال انجام شده کاربران صورت می‌‌گیرد. لذا شناسایی اعمال از اهمیت ویژه‌‌ای برخوردار است. در اینگونه محیط‌‌ها از انواع مختلفی از حسگرها برای جمع‌‌آوری داده‌‌های مربوط به کاربران و فعالیت‌‌های آنان استفاده می‌‌شود. سپس، با استفاده از این داده‌‌ها، و با به کارگیری روش‌‌های یادگیری ماشین و داده‌‌کاوی، سعی می‌‌شود اعمال آنان بازشناسی گردد.‌‌ در عمده کارهایی که تا کنون برای شناسایی اعمال ارائه شده‌‌اند، پیش‌‌فرض‌‌هایی برای ساده‌‌سازی شناسایی اعمال در نظر گرفته شده و کمتر به موقعیت‌‌های پیچیده‌تر در دنیای واقعی پرداخته شده است. در بسیاری از سناریوهای دنیای واقعی چنین پیش فرض‌‌هایی محدود کننده هستند و در عمل وجود نخواهند داشت. از جمله این پیش‌‌فرض‌‌ها، انجام ترتیبی اعمال، وجود محیط تک کاربره، و لحاظ نکردن عدم قطعیت در داده‌‌های حسگرها و استنتاج می‌‌باشند. ضرورت دارد تا حد امکان از تاثیر این پیش‌‌فرض‌‌ها در شناسایی اعمال کاسته شده، و فرآیندهای شناسایی اعمال برای سناریوهای پیچیده‌‌تر دردنیای واقعی تطبیق یابند. لذا در این رساله، به دنبال شناسایی اعمال در چنین شرایطی خواهیم بود. با در نظر گرفتن شرایط فوق، در این رساله یک معماری سه لایه برای شناسایی اعمال ارائه گردیده است. لایه‌های این معماری به ترتیب، مربوط به اخذ داده‌ها، بازشناسی اعمال در محیط‌های تک کاربره، و بازشناسی اعمال در محیط‌های چند کاربره می‌باشند. در نخستین لایه این معماری، داده‌های کاربران با استفاده از حسگرهای محیطی جمع‌آوری شده، و به صورت جریانی از داده‌ها (رویدادهای حسگرها) در اختیار لایه های بعدی قرار می‌گیرند. لایه دوم به بازشناسی اعمال در محیط‌های تک کاربره، با تاکید بر کاهش عدم قطعیت در استنتاج می‌پردازد. در لایه سوم، ابتدا دنباله داده‌‌های کاربران در محیط‌های چند کاربره مدل‌‌سازی، و از هم تفکیک می‌شوند. سپس، اعمال کاربران بر روی دنباله‌‌ داده‌‌های جدا شده، با به کارگیری رویکردهای ارائه شده برای محیط‌‌های تک کاربره در لایه دوم، بازشناسی می‌‌گردند. نتایج نشان می‌دهند که معماری پیشنهادی در مقایسه با رویکردهای مرسوم، که عمدتا مبتنی بر مدل‌های گرافیکی هستند، کارآیی بهتری را از خود نشان می‌دهد.