随着经济和科技的快速发展,人口老龄化现象日益严重,已成为社会的突出问题。与此同时,老年人的健康和安全问题也引起了社会广泛的关注,智能化养老已成为社会的一项重大需求。跌倒损伤是老年人健康受到威胁的重要原因之一。因此,高效精准的跌倒检测一方面能够让跌倒的老人获得第一时间的治疗,提高跌倒的救助水平,降低因跌倒造成更大伤害的可能性,同时可以减少医疗资源的占用,减轻其家庭的负担;另一方面,能够给年老人尤其是空巢老人提供安全保障,减少他们的心理负担,提升老年人的晚年生活质量。针对跌倒检测的国内外研究现状,本文开展了对智能化监测系统中跌倒检测关键技术的研究分析,搭建了跌倒信息数据库,为研究检测算法提供数据分析支撑;重点研究和分析其中的检测算法,提出了基于权重判别的两层检测算法;开展了针对日常生活中的各种行为的多分类研究,通过基于决策树等多分类方法和基于卷积神经网络的方法对各种行为进行了分类识别。本文的主要工作如下:首先,基于穿戴式传感器系统,测量了日常行为和跌倒行为的数据,并建立了跌倒信息数据库。数据库中包括了 11种日常行为和4种跌倒行为信息,为研究跌倒检测算法提供数据基准。第二,基于建立的跌倒信息数据库,进行多角度的特征分析,选取了合适的特征及相应的阈值,设计和实现了多阈值的跌倒检测算法,并验证分析了算法的有效性和可行性。第三,结合不同的分类方法和特征提取方式,综合分析比较了基于机器学习的跌倒检测算法的性能,在此基础上,使用AdaBoost改进了人工神经网络(artificial neural network,ANN)和支持向量机(support vector machine,SVM)的分类性能,基于ANN-AdaBoost和SVM-AdaBoost的检测方法,提升了跌倒检测的准确率。第四,在上述算法实现的基础上,提出基于权重判别的两层检测方法,保证高准确率的前提下降低了算法的响应时间,提高了识别的速度,并对三种检测方法进行了性能比较,分析得出了第三种两层的检测算法识别精度高,检测速度快的结论。第五,对跌倒行为和日常行为展开了行为多分类的研究,分析和实现了基于多分类策略的行为多分类算法。其中,基于决策树的多分类算法能很好地识别出每一种行为;探索了深度学习网络模型,提出了基于卷积神经网络框架的行为多分类算法,为跌倒检测算法在智能健康监测系统的实际应用打下基础。