随着老龄化社会到来,老年人的健康和监护越来越受到全社会关注,其中老人不慎跌倒很有可能引起严重的后果,这促使人们开始研制各种用于老人跌倒检测的设备,但当前的技术还不能完全满足跌倒检测的实际需求。目前,研究基于加速度传感器的跌倒检测技术越来越受到人们的关注,本文旨在探讨基于加速度传感器的跌倒检测算法,从而提高跌倒检测算法的性能。本文研究了基于时域特征及小波特征的跌倒检测算法,在此基础上提出了一种基于非线性特征的跌倒检测算法:首先,通过基于阈值的方法对加速度数据进行预处理,获取疑似跌倒的时间段序列作为待识别的样本,有效的降低了后续跌倒检测的困难程度;其次,采用核主成分分析(Kernel Principal Component Analysis,KPCA)算法对三轴加速度数据分别提取非线性特征,并且针对加速度数据本身特点提出了改进的KPCA算法,对三轴加速度数据之间的联系信息进行非线性特征提取;另外,在分类器的设计方面,采用不同的分类模型对提取的非线性特征进行分类,从而选择出最优的分类器,同时,为了进一步提高对跌倒样本的识别率,根据支持向量机(Support Vector Machine,SVM)概率模型输出结果,对部分难以区分的样本,采用SVM结合K近邻(k-Nearest-Neighbor,KNN)算法进行投票;最后,本算法利用人体跌倒后的状态特征,采用了后验证的方式进一步提升跌倒检测的准确率。本文提出的算法在UCI Machine Learning数据库进行了验证,检测准确率达到96.17%,跌倒样本识别率达到96.89%。同时,在实验室搭建的数据采集平台上进行数据采集,进一步对算法进行验证,检测准确率达到96.36%,跌倒样本识别率达到97.50%。