跌倒行为识别在医疗监测领域具着广阔的应用前景与巨大的经济价值。近年来,随着计算机图像处理和人工智能技术的不断发展,跌倒行为识别技术也取得了显著进展。基于视觉的跌倒行为识别存在环境干扰、行为复杂性和视角变化等多方面难题。本文针对上述跌倒行为识别的难题进行了研究。针对传统方法需要手工提取特征的问题,本文采用基于深度学习的方法识别跌倒行为。通过卷积神经网络自主学习数据特征,从而降低算法的复杂性,提高跌倒行为识别的准确率。针对原始SSD目标检测算法网络层之间信息融合不充分和小目标漏检的情况,本文采用数据增强方法增加初始训练集以避免模型过拟合,将不同网络层特征信息进行融合并构建特征金字塔,通过增加网络模型的上下文信息以提高检测精度。为了满足跌倒检测的实时性要求,本文将网络中存在的冗余参数进行删减,减少计算量以提高检测速度,达到实时检测要求。针对原始SSD目标检测算法易受跌倒相似性行为和背景因素干扰等问题,本文采用了一种基于姿态估计的跌倒行为识别方法,从视频序列中提取人体关节点信息并构建骨架时空图模型,并通过调整图卷积网络模型直至获得最优识别模型。实验结果表明,该算法在检测精度和检测速度上均具有良好的表现性能,在人体行为数据集上具有较好的泛化能力。最后,本文对研究工作进行了总结,并对未来工作进行展望。