随着人口老龄化趋势的加剧，独居老人的数量逐渐增多，如何保障独居老人的生活质量与身体健康已经引起了人们的重视。尤其是当老人发生坠床等危险行为时，如何在第一时间检测到危险行为的发生，对于保障老年人的生命健康尤为重要。另一方面，对于病患而言，坠床也是经常发生的危险行为。如何及时有效的对坠床行为进行检测，逐渐成为了一个研究热点。目前的坠床检测方法，主要是通过可穿戴设备或者智能家居检测坠床行为，但是存在错误率高，使用不便等缺点。如何高效准确的检测坠床行为，是一个十分具有挑战性的课题。　　本论文首先通过对坠床行为的分析，发现相比于跌倒行为，坠床行为具有运动模式复杂，较难与正常行为区分的特点。我们通过提取坠床行为特征，结合人与床的交互信息，使用最大间隔最近邻的方法，实现了对坠床行为的有效分类。　　基于以上分析，本论文提出了只使用单个深度相机作为数据源的解决方案。首先，针对单人场景的坠床检测的任务，使用基于随机森林的坠床行为检测方法。通过运用随机森林分类器定位头部，使用最大间隔最近邻分类器对坠床行为进行了有效的检测。但该方法存在不能够实时，准确度较低的问题。在此基础上，本论文提出了另一种基于视频时空信息的坠床检测方法，利用序列中的时间信息，对人体进行检测，通过提取改进的深度差分特征，快速定位头部，得到头部高度变化特征。另一方面，提出了室内场景的自动解析方法，通过对重力方向的估计，对床面、地面等关键物体进行识别。该方法具有可实时检测，准确率高，占用资源较少的特点。　　进一步地，针对多人场景中的坠床检测任务，本论文提出了基于人体约束关系的深度网络坠床检测方法，通过使用人体目标神经检测网络对头部和身体进行实时检测。通过头部与身体的约束关系进行人体筛选与确认,使用跟踪算法对多人进行跟踪。该方法解决了被褥遮挡情况下的坠床检测问题，并且实时性好，准确率高，具有很好的实用前景。