随着人工智能和计算机视觉技术的快速发展,人体行为分析作为重要的研究方向,在诸多场景中得到了广泛的应用。其中,人体跌倒行为分析能够有效监测老人或者儿童跌倒事件,通过及时预警救助避免造成更大伤害,已经引起了业界广泛关注。本文立足于家居场景,对基于机器学习的人体跌倒行为分析技术进行研究,主要工作内容如下:（1）研究了人体跌倒行为分析相关算法。首先介绍了前景目标提取算法;然后研究了人体跌倒特征提取方法;最后描述了机器学习分类算法。（2）提出了面向跌倒分析的人体姿态点有效提取算法。首先采用Alpha Pose算法检测人体骨骼关键点;然后提出了基于行为分析的分层筛选方法,主要包括基于置信度的初筛方法、基于行为差异性的中筛方法与基于行为一致性的终筛方法;最后针对某些图像帧中可能缺失的关键点,提出了改进的双线性插值理论,对缺失的关键点进行预测填充。（3）提出了基于人体姿态时空特征的双重跌倒分析算法。首先提出了一种面向跌倒分析的人体姿态时空特征提取方法,主要包括三部分:基于行为分析的空间特征设计、基于行为分析的时序特征设计与基于自适应帧滑动窗口的姿态特征融合方法,用于一段时间内的连续帧人体姿态特征提取,并融合成特征向量;然后提出了FT-SVDD双重跌倒分析算法,即先采用特征阈值进行跌倒预判断,之后采用SVDD分类器进行跌倒再判断;最后通过实验对本文提出的算法进行测试验证,结果表明:该算法在保证检测速度的同时,也提高了检测的准确性。