随着我国人口老龄化程度的加快,居家养老逐渐成为趋势。老人在居家生活时容易发生跌倒事件,如果得不到及时救助,轻者造成身心伤害,严重者甚至会危及生命。因此,研究能够及时检测出老人跌倒行为的方法,具有重大的研究价值和社会意义。随着监控设备的普及,基于计算机视觉的老人跌倒行为检测算法已成为研究重点。论文主要工作如下:（1）提出了一种基于时序特征分类的RGB-D视频高效跌倒行为检测方法。针对跌倒行为与正常行为的特点,提出了一种基于时序特征分类的RGB-D视频快速跌倒行为检测方法。首先,在YOLOv3目标检测算法上做出了改进,针对人体目标检测任务,简化了骨干网络结构并调整了多尺度预测分支,提出了改进的轻量级实时人体目标检测器;其次,还改进了人体跌倒行为特征提取方法。与常见的主要基于RGB图像的二维特征提取思路不同,结合深度信息,将特征维度延伸到三维空间,探索更有区分性和鲁棒性的特征提取方式;最后,利用擅长序列信息处理的深度森林算法对时序运动特征进行分类,判断是否发生跌倒。实验结果表明,提出的跌倒行为检测算法在UR Fall Dataset公开数据集以及实验室自主采集的RGB-D行为数据集上均取得了不错的性能。（2）针对夜间场景和隐私保护的需求,提出了一种基于CNN-LSTM和注意力机制的跌倒行为检测算法。算法处理对象是深度图像序列。在特征提取网络部分引入卷积注意力模块,提升对人体视觉外观特征的表示能力;其次,在LSTM循环神经网络部分引入时间注意力机制,帮助网络学习长时信息中的重要部分。最后,网络的输出通过softmax函数分类,实现端到端的跌倒行为检测。实验结果表明,提出的跌倒行为检测算法在几个公开数据集上均取得了较好的检测效果,准确率达到97.07%。（3）提出了一种基于神经网络的多模态特征融合跌倒行为检测方法。目前大多数跌倒检测方法基于单一模态数据,很难处理人体行为的复杂性和随意性问题。结合深度图像与人体骨架信息,提出一种多模态特征融合的跌倒检测方法。针对深度图序列,通过CNN提取视觉外观特征,然后送入LSTM网络中对特征序列之间的复杂时间依赖关系建模;针对人体骨架序列,则利用图卷积神经网络提取骨架序列的拓扑特征,并通过softmax函数实现特征分类。最后,将两种模态特征的分类结果进行后融合,实现跌倒检测。实验结果表明,提出的方法相比于单模态跌倒行为检测算法在鲁棒性和准确性上均有所提高,准确率达到99.21%。