个体活动指的是居家、工作、学习、出行、休闲娱乐等日常活动。个体活动研究能够为道路规划、商业应用和传染病预防等提供重要的数据基础。个体活动信息的获取依赖于传统人工调查。活动调查结果的精度高,但任务繁重,工作量大,更新周期较长,难以适应社会发展的需要。近年来,随着智能手机的普及,其内置多种传感器并具备强大的计算能力,使得利用手机传感器分析个体时空活动成为了活动调查领域一大前沿研究热点。另一方面,室内定位技术目前已得到快速发展。利用WiFi定位等方式,智能手机可获取室内的位置信息。基于定位结果对个体在室内的活动进行分析也已成为人们研究的热点。目前,个体活动研究都是将室内与室外割裂开来,而没有统一的框架将二者结合,因而无法实现同时收集室外和室内活动。本文以手机传感器数据的采集和处理为基础,提出构建个体室内外一体化时空活动并进行语义增强研究的方法。首先,通过开发室内外轨迹数据采集App获取轨迹数据,并对原始数据进行清洗、平滑等预处理。其中,室外位置数据通过调用手机GPS传感器模块获取。室内位置数据则通过基于K近邻的WiFi定位算法获取。其次,构建基于时间窗口的轨迹特征,利用集成学习识别运动-驻留。最后,采用机器学习的方法识别活动目的,分析室内外活动时空分布特征、主要活动模式及时间分配模式。本论文研究发现:（1）大学生群体主要在学习区活动,进行自习、科研等行为。在室内以学习交流为主,极少移动。说明学生普遍缺乏锻炼。（2）在大学生群体中,“宿舍→学习→食堂”这一活动模式最为普遍,占比达到73%,这一活动模式代表着绝大多数学生的活动模式,说明学生活动类型普遍非常单调,反映了学生群体独有的特点。（3）在大学生群体时间分配方面,周六的学习活动大大缩减,周四的学习时间是所有工作日中最短的。（4）随机森林对运动-驻留和活动目的的识别效果最好,运动-驻留整体F1值达到0.9132,活动目的整体F1值为0.8775。在将轨迹点结果经过滤波算法修正后,运动-驻留F1值为0.9160。