随着我国老年人口的不断增长,老人的健康问题也受到了社会的广泛关注,尤其是独居老人存在吃错药、乱吃药和一些异常行为无法被及时发现问题。本文设计智能药箱系统,解决老人吃错药、乱吃药问题,并通过智能药箱上的各种传感器和摄像头采集的环境、体征、视频等信息进行异常行为识别,重点对基于计算机视觉的摔倒检测技术进行了研究。本文主要研究内容如下:（1）针对老人吃错药、乱吃药等问题设计并实现了一款智能药箱,该系统分为智能给药子系统、数据采集子系统、异常行为检测子系统和数据展示子系统。智能给药系统可以定时提醒用户吃药给药、抽水等操作,当摄像头人脸识别成功后方可给出所需药品。数据采集子系统采用STM32单片机作为主控芯片,通过3D打印机设计制作采集信息装置,可以实时采集和分析温度、湿度、心率和血压等信息并及时发现异常。通过微信小程序将采集到的数据显示在手机端方便监护人查看老人状况,以便了解更多老人情况。（2）针对环境干扰和视觉变化等问题,对基于YOLOv5目标检测算法进行了研究,提出了改进的YOLOv5老人摔倒检测算法。将ACON（Activate or Not,激活与否）激活函数代替Si LU作为激活函数,提高模型的分类、检测效果;通过添加坐标注意力机制实现更准确地定位和识别感兴趣的对象;使用Ghost Conv作为卷积模块,用线性操作得到更多的特征图,减少了参数量和计算量,提高了模型检测精度。在UR Fall Detection Dataset（URFD）摔倒数据集上进行了实验,结果表明,改进后的YOLOv5算法训练出来的模型比原始算法参数量减少35.14%、模型大小减少4.8M、精确度可达99.1%。（3）针对采用单一的YOLOv5进行摔倒检测易受相似行为的影响问题,进一步采用基于轻量化Open Pose姿态估计和改进的YOLOv5相结合的方法检测摔倒。首先,从视频图像中提取出人体关节点信息,然后,对提取到的关节点信息计算人体中心点下降速度,根据人体外接矩形宽高比的方法在给定阈值下检测摔倒行为。实验结果表明,本文采用的方法在人体摔倒检测上取得了很好的效果。本文设计并实现了智能药箱管理系统,提供定时提醒吃药、自动给药、发现异常并预警等服务,对基于深度学习的视频异常检测技术进行了研究;提出了改进的YOLOv5算法,减少了模型大小和参数量,提高了异常检测的准确率;进一步提出与轻量化Open Pose姿态估计相结合的方法,解决了相似行为误检问题。本文工作即可为社区服务站、养老院和医院等场所提供一套完善的系统,所提出的方法也可为人体异常行为检测提供理论支持。