随着人们生活水平和社会医疗条件的提高,人均预期寿命逐渐延长,老年人在全球人口中所占的比例也在增长。中国作为一个人口众多的大国,人口老龄化问题也日益突出和严峻。当老年群体在家中独居没有他人照料时,由于身体机能的衰退与自身某些疾病的影响,使得跌倒成为最普遍又最危险的现象。因此,对人体的跌倒动作进行快速、高效和准确的识别和判断具有重大意义,能够有效缓解跌倒对老年群体的生命健康威胁和社会医疗负担。本文主要进行了基于卷积神经网络的跌倒检测方法和系统的研究,目的是通过卷积神经网络在图像识别的天生优势,提升对人体跌倒检测的精度,为医疗监护和老人的照料提供更好的解决方案。本文研究了基于卷积神经网络的跌倒检测方法和基于惯性传感器人体跌倒检测的报警系统设计与实现,主要研究内容如下:（1）探讨和介绍了跌倒检测研究的现实背景环境和国内外主流研究技术,对人体的姿态进行解析,划分为日常行为活动和跌倒动作。通过对卷积神经网络模型的与其他算法的对比研究,突出其在跌倒检测的优势和可行性。（2）利用SisFall和MobiFall等常用公共跌倒数据集作为本研究的对象,进行算法性能的比较研究。自主设计和制作了人体姿态检测模块,将采集的实验数据集与公共数据集一同作为网络模型的输入,从多角度对模型的性能进行验证。（3）将三轴姿态数据归一化映射到0～255的RGB色域图数据中,使得卷积神经网络在跌倒检测的处理中能够发挥更优异的性能。设计了一种基于卷积神经网络的轻量化跌倒识别算法,FR-CNN算法。在准确率、敏感性和特异性评价指标中分别达到了98.48%、98.55%、99.70%,并和其他主流的算法进行对比,证明了该方法在跌倒检测和识别中的优势,具有一定的创新性。（4）对基于惯性传感器人体跌倒检测报警系统的研究,本文进行了电路设计和上位机的设计。通过自测数据集的离线测试和在线测试对系统的性能进行评估,从实际模拟的角度证明所设计的人体跌倒检测报警系统具有良好的跌倒识别性能。最后,总结分析了研究结果和结论,指出了本研究在分类结果的数目、数据集的覆盖面、硬件检测技术上存在的不足,同时提出了未来的改进方向。