随着社会的发展,老龄化程度日剧加深,独居老人发生跌倒若不能及时发现并预警,可能造成严重后果。因此,利用智能算法进行跌倒情况自动化检测成为了重要研究课题。本论文主要结合传统计算机视觉的跌倒检测流程,对人体前景提取、特征提取及分类模型识别等技术进行深入研究,并根据现有方法在实际跌倒检测应用中存在的不足提出一些改进方法。主要工作内容包括以下三个方面:（1）为了提高跌倒检测模型在家庭场景下的跌倒识别准确率,实现个性化的智能监护,本文提出一种使用卷积神经网络自动编码器（Convolutional Neural Network Auto-Encoder,CNN-AE）提取特征和单类支持向量机（One Class Support Vector Model,OCSVM）建模的跌倒检测方法。对于记录的老人日常活动的视频流,首先应用码本（codebook）背景减除算法提取视频帧中的人体轮廓,然后通过CNN-AE自动提取轮廓特征,最后根据提取的特征构建用于跌倒检测的OCSVM模型。实验结果表明,该方法可以检测到不同类型的跌倒（包括不同位置、不同朝向）,误检率较低。与其它特征提取及建模的方法相比,CNN-AE特征能够取得更准确的跌倒检测性能,并且OCSVM方法仅通过正常活动样本建模便可准确地检测出跌倒行为。（2）针对传统算法在提取运动人体目标时容易受环境等因素影响的问题,本文微调You Only Look At Coefficien Ts（YOLACT）网络,得到用于人体提取的深度学习模型,以提高复杂环境下人体前景提取的鲁棒性。实验结果表明,YOLACT模型能够很好地实现不同人体姿势的提取。与传统背景减除算法及深度学习Mask R-CNN模型相比,YOLACT模型对于人体的提取同时兼顾速度和精度两方面的优势。（3）针对传统跌倒检测方法的复杂流程,本文将全卷积单阶段目标检测网络（Fully Convolutional One-Stage Object Detection,FCOS）应用到人体跌倒检测,命名为全卷积单阶段跌倒检测器（Fully Convolutional One-Stage Fall Detector,FCOS-FD）,用于简化跌倒识别过程,以识别单帧图片中包含跌倒在内的人体活动。实验结果表明,FCOS-FD可以在不同室内环境下实现高精度的检测,并且可以估计人体目标的边界框。相对Faster R-CNN、YOLO V3和SSD512等目标检测算法,FCOS-FD在同批测试数据上取得了更优的检测性能。