随着世界人口老龄化问题的加剧,老年人群居家养老逐渐成为趋势。独居的老年人在家可能会出现各种异常行为,比如跌倒而无法及时发现,这会对老人造成严重的伤害。此外,日常行为顺序的异常可能暗示着某些慢性疾病如阿尔兹海默症,及时发现这些异常可以有效避免其中存在的健康隐患。新兴的智能检测技术为老年人群异常行为检测提供了一种解决方案,然而目前的研究尚存在一些不足之处:（1）忽视了老年人群对这一新技术的关注因素如隐私性;（2）使用单一传感器进行行为识别导致识别精度较低、稳定性差;（3）使用的异常检测算法在处理大量行为序列数据时准确率较低;（4）主要关注于特定行为的异常如跌倒,而对行为顺序中隐藏的异常研究较少,且在识别行为顺序时忽视了特定行为可能出现的异常。为了解决以上问题,本文提出了一种新的异常行为检测技术,旨在检测出老年人居家时的多层次异常行为。本文主要工作及贡献如下:（1）构建了老年人群及其家人的智能检测技术接受模型。调研其对该新技术的接受程度以及最为关注的因素,包括感知有用性、感知易用性、技术性和成本效益,并以此作为本文提出新技术的指导意见;（2）融合了智能手机中的多种传感器如加速度计、陀螺仪等可穿戴传感器进行行为识别。相比于单传感器,多传感器数据的融合已经被证明了能够更准确地挖掘行为活动中的特征及规律,从而在行为识别时有更高的准确率;（3）提出一种基于Attention-CNN-LSTM深度神经网络的行为识别算法。该算法经过验证,在识别9种正常动作和3种异常动作时,比传统的机器学习方法和单层神经网络算法有更高的精确率、召回率和F1-Score,且分别达到94.2%、95.1%和93.3%;（4）构建了基于HMM的老年人行为顺序异常检测模型。结合识别出的动作信息和位置信息可以确定老年人的实时观测状态,而连续的观测状态构成老年人行为活动链,本文基于1位老年人连续30天上午的行为序列样本,构建并验证了基于HMM的行为顺序异常检测模型,且准确率达到91.8%。本文所提出的老年人群异常行为检测技术能够为老年人居家健康养老提供有力的技术保障,该技术的实施能够有效缓解有关政府部门和医疗机构的养老压力,因此具有十分重要的研究和应用价值。