人体行为研究作为计算机视觉最具挑战性的研究领域之一已经成为当前研究热点并且吸引了很多研究人员的兴趣,除此之外,人体行为研究的应用领域广泛:智能视频监控与安防、人机交互、运动行为分析等等。而随着老龄化社会的到来,老年人跌倒问题时有发生,而且如果老人跌倒后不能及时得到救助,很有可能会危及生命安全。所以,跌倒行为的检测具有极大的社会意义。故本文对跌倒行为和下蹲、弯腰、坐下等疑似跌倒行为进行了研究。本文对跌倒行为与其他行为的识别算法研究主要是从运动目标检测、运动目标阴影区域的检测与去除以及跌倒行为检测算法的设计和实现这三个方面展开的。在运动目标的检测和提取方面研究了混合高斯建模运动目标检测算法和Vibe运动目标检测算法,实验表明Vibe算法提取运动目标效果较好,而且该算法效率高并且能完整的提取到运动目标。由于运动目标在光照情况下会得到与其有相似运动特征的阴影区域,对于后续提取特征和行为识别有很大影响,故针对这个问题,本文研究RGB颜色空间方法、HSV颜色空间方法以及灰度空间和LBP特征相结合的方法来检测并去除阴影,实验表明自适应阈值灰度空间与LBP特征相结合方法能较好的检测并去除阴影。在跌倒行为检测算法设计和实现方面,首先通过运动目标的最小外接矩形的长宽比与合适的阈值进行比较以判断此时的运动目标的行为是否是疑似跌倒行为,然后,本文设计并实现了两种跌倒行为检测算法,其一是先提取疑似跌倒行为的Hu不变矩特征,然后通过SVM进行训练与分类;另一种方法是通过卷积神经网络识别跌倒行为与非跌倒行为,该算法的结构直接将图像作为网络的输入,计算机自动提取图像特征,避免了人工设计算法提取特征。而且,该算法通过卷积操作和池化操作提取图像局部特征,然后汇聚成全局特征,从而提取到的特征更好的表征了图像的本质,因此,对行为的识别更加准确。大量实验表明,本文所研究的算法对于跌倒行为的检测具有较好的效果与实用性。