随着深度学习技术在各个领域的推广以及在这些领域更深层次地挖掘,其有效应用也越来越多。采用基于深度学习技术的智能视频监控技术来解决日益加剧的人口老龄化带来的各种问题成为非常有价值的研究方向。其中,对各种视频监控设备拍摄到的图像或者视频序列进行有价值地抽取并进行处理、分析和理解,以此来解决日渐严重的老人“跌倒”问题成为一个非常有实际意义的课题。对比于现在常见的基于各类传感器或者穿戴式的跌倒检测系统,这更显得方便实用、易于模块化大规模部署和更好地兼容视频监控的其他智能功能。所以,通过视频监控识别人体异常行为,特别是对人体跌倒行为的识别就显得很有意义。本文旨在采用不同的深度学习技术对人体跌倒行为进行识别和优化,主要从两个方面展开研究,并对这两个方面进行了研究和实验。本文的主要工作内容如下:（1）研究基于2D骨架信息的时空图卷积神经网络的跌倒行为识别方法。首先使用当前效果较好的姿态估计算法对RGB视频进行人体的关节点信息的提取,然后将人体各个关节点按照时间维度和空间维度上的图网络结构进行排列、优化和拓展。引入空间注意力机制,利用了基于身体部位的表示可以了解每个部位的重要性以及它们在空间和时间上的关系,融合局部信息并增强不同动作行为的特征,通过时空图卷积神经网络对2D骨架信息进行学习和训练,最后对网络提取到的特征进行分类预测,提高对跌倒行为动作的准确率。（2）研究基于RGB图像信息和高效位移卷积神经网络的跌倒行为识别方法。时间轴上的特征位移操作可以让神经网络学到交互的时空特征,再配上高效的卷积神经网络可以比3D卷积神经网络在性能差距不大的情况下,更好地部署到硬件上去。而与另一类基于双流卷积神经网络的识别算法相比较,识别准确率性能上又能得到很大的提升。