随着人口老年化问题变得严重,意外跌倒已经成为老年人健康生活的严重威胁,研究跌倒检测具有很高的社会意义。本文基于计算机视觉方法提出了一种融合人体目标检测、人体姿态估计和行为动作识别的多阶段跌倒检测框架。首先检测出视频或图片中的所有人体边界框,然后使用单人姿态估计识别每个人的身体骨架图,最后通过动作识别技术对所有的身体骨架图进行分类,判断是否跌倒。论文的主要工作如下:（1）提出了一种基于混合注意力机制的被遮挡人体检测算法。为解决人体检测中普遍存在的遮挡问题,在特征提取过程中添加通道注意力机制改变网络不同特征通道的注意力权重,添加空间注意力机制改变特征图中像素的注意力权重,通过注意力权重在人体目标检测过程中聚焦未被遮挡的人体部分,实现被遮挡人体检测的目的。在测试集上进行验证的结果表明该算法能够解决人体检测过程中障碍物遮挡的人体检测问题。（2）提出了一种自顶而下的人体姿态估计算法。在基于混合注意力机制的被遮挡人体检测算法检测人体边界框的基础上,针对检测出的人体边界框可能会存在定位不准确导致人体位置出现偏差的情况,使用空间变换网络对人体边界框的坐标进行仿射变换,矫正其位置。在测试集上进行验证的结果表明该算法可以有效且正确的估计出人体姿态的可见部位,降低了障碍物遮挡对人体姿态估计的影响。（3）提出了一种基于时空图卷积网络的人体跌倒检测算法。在基于人体姿态估计算法检测出人体骨架图的基础上,针对普通2D卷积对视频提取特征时会出现时间信息丢失的情况,采用时空图卷积从时间维度和空间维度两部分提取特征信息。在测试集上进行验证的结果表明该算法可以在人体被遮挡的情况下有效的检测出是否跌倒,减少了遮挡对人体跌倒检测的影响。实验证明,基于混合注意力机制的被遮挡人体检测算法能够较好的解决人体检测中障碍物遮挡问题,m AP达到了52.18%,人体姿态估计算法能正确的估计出人体姿态的可见部位,Kps AP达到了69.7%,多阶段人体跌倒检测框架能够实时检测出被障碍物遮挡的人体是否跌倒,具有较好的实用性。