随着我国老龄化程度的提高,小微建筑工程中高龄工人的比例在不断增加。在建筑行业中,跌倒是一类主要的致死性伤害类型,跌倒在高龄工人中发生的比例要高于年轻人,跌倒事件的发生往往会带来直接的肢体伤害及其二次衍生伤害,给高龄工人自身及家庭、社会都带来了极大的医疗经济负担,预测跌倒风险有助于减少跌倒事件的发生。本文的研究对象包括高龄人员54名,其中包含名31名女性和23名男性。通过多重分形算法对高龄工人头颈部、手臂、下躯干、腿部的质心位移曲线进行分析,定量评估质心的稳定性,并从中选出高龄工人发生跌倒的预测敏感性指标。非跌倒组参试人员头颈部的活动能力更强,头颈部的大幅波动对平衡起到了积极的作用。下躯干质心的大幅波动对平衡起到了消极的作用;左手灵活性更差,左手大概率的小幅波动不利于平衡;左臂的稳定性都要强于右臂,对于跌倒组来说,左臂的大幅摆动要大于右臂,左侧手臂的摆动更容易对身体平衡有消极作用。对于跌倒组来说,左腿的规律性和稳定性要弱于右腿,这也反映了高龄人员对弱侧控制能力的减弱;同时,左腿大幅摆动概率的增加体现了左腿的灵活性,左腿灵活性的增加有助于平衡能力的提高。腿部的稳定为身体平衡做出了更多的贡献。肢体弱侧的肌肉力量更容易发生退化,跌倒组人群对弱侧的控制能力更差,两个群组都表现出主导侧的稳定性更佳。在此基础上,建立高龄工人跌倒风险的预测模型。以头颈部、手臂、手部、下躯干、腿部等位置的质心平均位移为输入维度,建立了以支持向量机为基础的预测模型,通过网格法、粒子群算法、基因算法三种最优化算法对支持向量机参数进行了优化,并对三种算法下得到了预测精度进行了对比。网格法优化模型得到79.16%的预测精度,粒子群算法优化模型得到87.5%的预测精度,基因算法优化模型得到87.5%的预测精度;概率神经网络得到了87.5%的预测精度,广义回归神经网络得到了95.83%的预测精度,误差逆传播神经网络得到了75.0%的预测精度。因此,头颈部、手臂、下躯干、腿部等位置的平均质心位移是良好的预测跌倒的敏感性指标。在对人群识别分类的基础上,建立支持向量回归机拟合模型,对下一帧位的运动学数据进行预测,并得到相应的跌倒概率。全样本人群的跌倒发生率为17.9%,在运动学数据变化的情况下,跌倒组人群的平均跌倒概率为23.03%,高于非跌倒组人群的18.71%;在运动学数据不发生变化的情况下,跌倒组人群的平均跌倒概率为8.42%,非跌倒组人群的平均跌倒概率为3.81%;通过回归模型可对不同人群的跌倒风险进行实时预测,结果显示,人体在加速度突然变化的节点（突然起身、转身、回到起点）跌倒风险增加,因避免在日常生活中有较大幅度的加速度的变化。本文的研究结果显示,虽然单独使用起立行走计时实验时发现跌倒与性别、身体质量指数等没有显著性差异,但是起立行走计时过程中所表现出的运动学特征结合支持向量机、神经网络等为基础的预测模型得到了良好的预测结果,95.83%的预测精度表明了其预测价值。而且在此基础上的跌倒风险监测模型也得到了与实际相符合的结论。