摘要
智能家居环境正朝着具备情境感知能力的智能化系统发展，这得益于物联网（IoT）、边缘计算和人工智能的快速整合。在这种环境下，需要持续处理大量异构传感器数据，以支持感知、行为理解和自主决策。深度学习作为一种关键方法，可将原始传感器信号转换为结构化表示形式，从而实现这些功能。本文从传感器驱动的角度探讨了智能家居应用领域中深度学习的最新进展。现有研究主要涵盖五个方面：人体活动识别、健康监测与辅助生活、智能能源管理、安全监测与异常检测，以及语音交互与智能控制。文中讨论了多种方法论范式，包括卷积神经网络、循环神经网络、Transformer、基于图的学习、多模态融合和深度强化学习，并重点分析了它们在信号表示、多模态集成和基于决策的建模中的作用。尽管取得了显著进展，但仍存在若干限制实际应用的挑战，如高质量标注数据的匮乏、持续监测带来的隐私和安全问题、模型在不同环境和用户之间的泛化能力有限、边缘设备的性能限制，以及模型输出的可解释性不足。解决这些问题不仅需要改进模型设计，还需要发展数据高效的学习算法、保护隐私的架构以及系统级集成技术。未来的研究有望聚焦多模态感知、分布式与边缘智能、基于知识的增强建模，以及以用户为中心的可解释系统。通过综合当前进展并突出存在的问题，本文旨在为下一代智能家居系统的开发提供有力支持。
