随着老龄化的日益加剧,突发性摔倒等老年人健康监护问题已成为社会性困扰。基于计算机视觉的摔倒检测方法可为老年人健康监护问题提供有效解决方案。然而,仍然存在如下亟待解决的问题。（1）现有研究往往忽视对人群摔倒优先级的分析,只关注结果,但不同年龄段人群摔倒造成的后果可能完全不同;（2）现有大多摔倒检测方法均为集中式,无法对重点人群优先进行检测,实时性和可拓展性较差,且缺少摔倒预判断机制。针对问题（1）中无法根据年龄段检测行人摔倒的问题,本文将年龄估计和摔倒检测算法进行有机结合,提出基于浅层软阶段回归（Soft Stage RegressionShallow,SSR-S）网络的年龄估计算法。通过提取人脸图像与年龄相关的特征,并设计基于回归计算涵盖多粒度年龄预估方法,实现对行人年龄的准确估计。针对问题（2）中时间效率低,可扩展性差等问题,本文提出分布式架构下结合运动特征值和浅层卷积神经网络（Shallow-Convolutional Neural Networks,SCNN）的摔倒检测模型。该模型使用椭圆分别对人体的头部和躯干进行拟合,并提取人体运动特征值,依据头部椭圆垂直方向的速度构造摔倒预判断的阈值,实现对60岁以下行人的预判断,最后使用S-CNN模型进行更精确的摔倒检测;此外,提出了基于分级代理的分布式模型,并针对此模型提出一种基于年龄估计的优先级调度算法。该算法能够在部分服务器出现拥塞甚至宕机的情况下,根据任务的优先级优先处理重点任务,减少任务的排队延迟,缩短任务执行时间。为验证算法的有效性,本文做了大量的实验。实验结果表明,与现有方法相比,基于SSR-S网络的年龄估计算法MAE最低可达7.59。基于运动特征值和SCNN的摔倒检测模型能够有效对摔倒行为和日常行为进行预判断,实现0%的摔倒行为的漏检率,基于S-CNN的摔倒检测方法准确率可达90.5%。此外,与传统的集中式模型相比,分布式模型提高了任务处理的时间效率。其中基于年龄估计的优先级调度算法可解决服务器因意外情况处于拥塞甚至宕机的情况下无法优先检测关键任务的问题,并且与轮询调度算法相比更具有稳定性。