随着当今医疗技术的进步发展,大多数疾病都有了解决方案,人类平均寿命延长,人口年龄分布已经趋向老龄化。与此同时一种新的群体“空巢老人”也随之诞生,依据全国老龄办公开报道,2020年空巢老人人口总数现已达到了1.18亿。由于这种群体的特殊性,在缺少照顾的情况下,身体不便带来的危险也随之增加,国内65岁以上的老人因伤意外离世的最主要的因素便是摔倒,随着年龄的增长,摔倒后发现不及时从而导致的危险尤其严重。如今,随着监控视频技术的日益成熟,为了解决以上问题,通过将计算机视觉以及深度学习应用于家庭安全监控上成为如今的主流方法,相比传统穿戴设备的检测方法,基于深度学习模型的方法不仅更加智能化,同时也避免了穿戴设备时的不便。这种对策能够经过安置的摄像头得到监测的即时视频,运用深度学习策略来对视频中行人的动作实行推断,从而对摔倒这类的危险进行监测预警。本文设计了两种摔倒检测算法和一个摔倒检测系统,主要工作介绍如下:（1）提出了一种基于时空注意力网络的行人摔倒检测方法。该方法通过以目标行人图像序列作为输入数据,构建时空注意力网络（IBANet）。时空注意力网络分为三个部分,首先通过设计一个简单的卷积神经网络用于提取目标图像的表观特征信息,随后将图像序列中对应的图像外观信息作为下一级网络的输入,利用双向长短期网络（Bi Lstm）来提取序列图像中的时间信息,最后通过在Bi Lstm中引入注意力机制（Attention Mechanism）实现对序列中的图像选择性关注。通过在自建图像序列数据集ISD-2021上对IBANet进行训练验证,证明了该方法可以有效的对监控视频中的目标摔倒的异常行为做出及时的判断。（2）提出了一种基于图像特征融合网络的摔倒检测方法。首先利用目标RGB图像以及骨骼点伪图像作为数据输入,为此构建了图像特征融合网络（IFFNet）。IFFNet由图像特征融合提取处理模块和图像特征融合分析处理模块组成。特征提取模块利用RGB图像特征提取网络（RIENet）以及骨骼点伪图像提取网络（FIENet）作为两个分支分别提取这两种信息。特征融合分类模块通过将特征图在通道上融合的方式组合两组特征信息,利用线性层与Softmax层得出该组图像的对应类别概率。在自建双模态图像数据集BID-2021实验验证该方法的有效性和实时性。（3）搭建了一个实时的摔倒监测系统。利用Lightweight-Openpose作为视频目标检测跟踪模块,该模块用于获取目标位置信息以及目标骨骼点坐标信息,通过所述信息构建目标行为分类模块的数据输入。利用第四章提出的图像特征融合网络IFFNet作为目标行为分类模块。通过pyqt5框架搭建一个摔倒监测系统,该系统不仅可以实现视频输入以及检测输出的可视化,而且可以通过设置摔倒时间作为阈值判定发出警报的时间以及将输出信息保存日志以便查看。通过该系统可以很好的实现智能化监控。