随着人口老龄化现象的不断加剧,同时由于家庭和社会的诸多因素,越来越多的老年人不得不选择独居,社会因此给这类人群下了一个新的定义,称作“空巢老人”,指的是那些没有子女照顾、单独居住的老年群体。基于以上情况,日常生活中的摔倒事件逐渐变成威胁老年人生命的重要因素之一。这是老年人必须接受的、不得不面对的事实,更是整个社会需要警醒的、急需帮助老年人解决的问题。使用传感器似乎可以帮助老人检测到这类问题,但“摔倒”是一刹那的动作,非加速度传感器几乎捕捉不到;同时,该行为非常容易和其他动作混淆,造成错判。本文综合考虑“摔倒”特性和机器学习算法的配合,对摔倒检测和行为识别同时作了研究,为老人的日常行为做全方位的把控。本文使用三种已有的机器学习算法,针对由可穿戴传感器采集的用户日常行为数据,进行试探性的训练和测试。三类机器学习算法分别是支持向量机、后向传播神经网络和隐藏马尔可夫模型,用户日常行为数据共有11类,包括走路、摔倒、坐下、躺下、坐着、躺着等姿势。针对三类方法得到的不同分类结果,从准确度、运行速度、时间复杂度等角度进行精准分析,并对其低准确度作了进一步研究。通过低准确度分析,本文提出了一种新的学习方法,可以对连续的数据集进行精准分类。主要的思想是结合两类已有的机器学习算法,通过首轮的训练得到第一批结果,通过分析结果判断输出状态中相互混淆的分类,从而将混淆分类划到不同组别分别处理,即进入第二轮训练。实验证明,新的学习方法,较之已有的三类学习算法,能够极大地提高摔倒检测和人类日常行为的识别精度,平均识别精度大于90%,比原有的平均结果提高近40%。同时本文整合以上方法,将其规整为一套训练和应用方法,不仅包括训练数据、获取分类器部分,还包括应用分类器的算法应用部分(HCA算法),使新方法具有普遍性。